WO2024190841A1 - 推定装置、推定方法およびプログラム - Google Patents

推定装置、推定方法およびプログラム Download PDF

Info

Publication number
WO2024190841A1
WO2024190841A1 PCT/JP2024/009869 JP2024009869W WO2024190841A1 WO 2024190841 A1 WO2024190841 A1 WO 2024190841A1 JP 2024009869 W JP2024009869 W JP 2024009869W WO 2024190841 A1 WO2024190841 A1 WO 2024190841A1
Authority
WO
WIPO (PCT)
Prior art keywords
subject
dietary
history
trained model
dietary history
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/JP2024/009869
Other languages
English (en)
French (fr)
Inventor
辰博 久恒
圭介 櫻井
和幸 工藤
幸博 菅原
貴之 松本
三佳子 佐藤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Tokyo NUC
NH Foods Ltd
Original Assignee
University of Tokyo NUC
NH Foods Ltd
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 University of Tokyo NUC, NH Foods Ltd filed Critical University of Tokyo NUC
Priority to JP2025506912A priority Critical patent/JPWO2024190841A1/ja
Publication of WO2024190841A1 publication Critical patent/WO2024190841A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • 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

Definitions

  • the present invention relates to an estimation device, an estimation method, and a program.
  • the inventors found that when subjects were classified into specific groups based on their eating habits, there were significant differences in the cognitive function of the subjects in each group.
  • the present disclosure aims to provide an estimation device, estimation method, and program that can provide information regarding a subject's cognitive function.
  • the estimation device is characterized by having a memory unit that stores a trained model that has been trained to output information regarding which of a plurality of pre-set dietary tendency groups, including a high-grain diet group and a high-protein balanced diet group, the subject belongs to when the subject's dietary history is input, an acquisition unit that acquires the subject's dietary history, and an estimation unit that inputs the acquired dietary history into the trained model to estimate which of the plurality of dietary tendency groups the subject belongs to.
  • the subject's dietary history should preferably include the intake of grains, legumes, green and yellow vegetables, other vegetables, seafood, meat, and eggs.
  • the subject's dietary history is preferably obtained using the Brief-type Self-administered Diet History Questionnaire (BDHQ).
  • BDHQ Brief-type Self-administered Diet History Questionnaire
  • the multiple dietary tendency groups preferably consist of two dietary tendency groups: a high-grain diet group and a high-protein balanced diet group.
  • the trained model preferably outputs the Mahalanobis distance between the input dietary history and each dietary tendency group based on training data that associates the dietary history of multiple individuals with information indicating which of multiple dietary tendency groups each individual belongs to.
  • the training data is preferably generated by applying the k-means method to the dietary histories of multiple individuals and classifying each individual into multiple dietary tendency groups.
  • the estimation device further includes an estimation unit that estimates the subject's cognitive function based on the estimation result.
  • the estimation device further includes an identification unit that identifies foods recommended for the subject based on the estimation results.
  • the estimation method is characterized in that it includes storing a trained model that has been trained to output information regarding which of a plurality of pre-set dietary tendency groups, including a high-grain diet group and a high-protein balanced diet group, the subject belongs to when the subject's dietary history is input, acquiring the subject's dietary history, and inputting the acquired dietary history into the trained model to estimate which of the plurality of dietary tendency groups the subject belongs to.
  • the program according to an embodiment of the present disclosure is a computer program that stores a trained model that has been trained to output information regarding which of a plurality of pre-set dietary tendency groups, including a high-grain diet group and a high-protein balanced diet group, the subject belongs to when the subject's dietary history is input, and is characterized in that the program causes the computer to acquire the subject's dietary history and input the acquired dietary history into the trained model, thereby estimating which of the plurality of dietary tendency groups the subject belongs to.
  • the estimation device is characterized by having a memory unit that stores a trained model trained to output the cognitive function of a subject when the subject's dietary history is input, an acquisition unit that acquires the subject's dietary history, and an estimation unit that estimates the subject's cognitive function by inputting the acquired dietary history into the trained model.
  • the estimation method is characterized in that it includes storing a trained model that has been trained to output the cognitive function of a subject when the subject's dietary history is input, acquiring the subject's dietary history, and inputting the acquired dietary history into the trained model, thereby estimating the subject's cognitive function.
  • the program according to an embodiment of the present disclosure is a computer program having a memory unit that stores a trained model that has been trained to output the subject's cognitive function when the subject's dietary history is input, and is characterized in that the program causes the computer to acquire the subject's dietary history and input the acquired dietary history into the trained model, thereby estimating the subject's cognitive function.
  • the estimation device is characterized by having a memory unit that stores a trained model trained to output the subject's frailty score when the subject's dietary history is input, an acquisition unit that acquires the subject's dietary history, and an estimation unit that estimates the subject's frailty score by inputting the acquired dietary history into the trained model.
  • the estimation method is characterized in that it includes storing a trained model that has been trained to output the subject's frailty score when the subject's dietary history is input, acquiring the subject's dietary history, and inputting the acquired dietary history into the trained model, thereby estimating the subject's frailty score.
  • the program according to an embodiment of the present disclosure is a computer program having a memory unit that stores a trained model that has been trained to output a frailty score of a subject when the subject's dietary history is input, and is characterized in that the program causes the computer to acquire the subject's dietary history and input the acquired dietary history into the trained model, thereby estimating the subject's frailty score.
  • the estimation device is characterized by having a memory unit that stores a trained model that has been trained to output the muscle mass of a subject when the subject's dietary history is input, an acquisition unit that acquires the subject's dietary history, and an estimation unit that estimates the subject's muscle mass by inputting the acquired dietary history into the trained model.
  • the estimation method is characterized in that it includes storing a trained model that has been trained to output the muscle mass of a subject when the subject's dietary history is input, acquiring the subject's dietary history, and inputting the acquired dietary history into the trained model, thereby estimating the muscle mass of the subject.
  • the program according to an embodiment of the present disclosure is a computer program having a memory unit that stores a trained model that has been trained to output the muscle mass of a subject when the subject's dietary history is input, and is characterized in that the program causes the computer to acquire the subject's dietary history and input the acquired dietary history into the trained model, thereby estimating the subject's muscle mass.
  • the estimation device, estimation method, and program disclosed herein make it possible to provide information regarding the cognitive function of a subject.
  • FIG. 2 is a functional block diagram of the estimation device 1.
  • 11 is a diagram illustrating an example of the data structure of a diet history table T1.
  • FIG. 1 is a schematic diagram for explaining a trained model.
  • FIG. 13 is a diagram showing an example of a question screen G1.
  • FIG. 13 is a diagram showing an example of a dietary tendency display screen G2.
  • FIG. 11 is a flow diagram showing an example of the flow of a generation process.
  • FIG. 11 is a sequence diagram showing an example of the flow of an estimation process.
  • FIG. 2 is a functional block diagram of the estimation device 2.
  • FIG. 13 is a diagram illustrating an example of the data structure of a diet history table T2.
  • FIG. 11 is a flow diagram showing an example of the flow of a learning process.
  • FIG. 11 is a flow diagram showing an example of the flow of an estimation process.
  • 13 is a table showing the relationship between the number of clusters and the sum of squares of distances.
  • FIG. 13 shows the median and interquartile range of age, years of education, BMI, and cognitive function measured by the MoCA method for elderly people included in the HC and PB groups in the classification results adopted.
  • FIG. 1 shows the median and interquartile range of the intake of each food group for elderly people in the HC and PB groups.
  • FIG. 1 shows partial regression coefficients, standard partial regression coefficients, p-values, and VIFs of explanatory variables.
  • FIG. 1 shows partial regression coefficients, standard partial regression coefficients, p-values, and VIFs of explanatory variables.
  • FIG. 1 shows partial regression coefficients, standard partial regression coefficients, p-values, and VIFs of explanatory variables.
  • FIG. 13 is a diagram showing the correlation between frailty score and the HC and PB groups.
  • FIG. 13 shows the correlation between muscle mass and the HC and PB groups.
  • FIG. 13 is a diagram showing an example of unbiased variance-covariance matrices SA and SB calculated from each data in diet history table T1.
  • FIG. 1 shows the median and interquartile range of age, years of education, BMI, and MPI for 267 elderly subjects classified into HC and PB groups.
  • FIG. 1 shows the median and interquartile range of age, years of education, BMI, NCI and MPI for 80 elderly subjects classified into HC and PB groups.
  • FIG. 13 is a diagram showing the results of performance evaluation of the “trained model” generated as Example 2.
  • FIG. 13 is a diagram showing the results of performance evaluation of the “trained model” generated as Example 3.
  • FIG. 13 is a diagram showing a configuration of a fourth embodiment.
  • FIG. 13 is a diagram showing the results of performance evaluation of the “trained
  • First Embodiment 1 is a functional block diagram of an estimation device 1 according to a first embodiment of the present invention.
  • the estimation device 1 is an information processing device such as a PC (Personal Computer), a server, a mobile phone, a smartphone, a tablet terminal, a portable game machine, etc.
  • the estimation device 1 estimates to which of a plurality of dietary tendency groups a subject belongs based on the subject's dietary history.
  • the estimation device 1 has a storage unit 11, a communication unit 12, a display unit 13, an operation unit 14, and a processing unit 15.
  • the memory unit 11 is configured to store data and programs, and includes, for example, a semiconductor memory.
  • the memory unit 11 stores operating system programs, driver programs, application programs, data, etc., used for processing by the processing unit 15.
  • Programs are installed into the memory unit 11 from computer-readable, non-transient portable storage media such as CD-ROM (Compact Disc Read Only Memory) and DVD-ROM (Digital Versatile Disc Read Only Memory).
  • the communication unit 12 is configured to enable the estimation device 1 to communicate with other devices, and includes a communication interface circuit.
  • the communication interface circuit is a communication interface circuit for a wired LAN (Local Area Network), a wireless LAN, a mobile communication method, or the like.
  • the communication unit 12 receives data from other devices and supplies the data to the processing unit 15, and also transmits data supplied from the processing unit 15 to other devices.
  • the display unit 13 is configured to display an image, and includes, for example, a liquid crystal display or an organic EL (Electro-Luminescence) display.
  • the display unit 13 displays an image based on the display data supplied from the processing unit 15.
  • the operation unit 14 is configured to accept operations for the estimation device 1, and includes a keyboard, a keypad, a mouse, etc.
  • the operation unit 14 may include a touch panel integrated with the display unit 13.
  • the operation unit 14 generates an operation signal according to the accepted operation and supplies it to the processing unit 15.
  • the processing unit 15 is a device that controls the overall operation of the estimation device 1, and includes one or more processors and their peripheral circuits.
  • the processing unit 15 includes, for example, a CPU (Central Processing Unit).
  • the processing unit 15 may also include a GPU (Graphics Processing Unit), a DSP (Digital Signal Processor), an LSI (Large Scale Integration), an ASIC (Application Specific Integrated Circuit), an FPGA (Field Programmable Gate Array), etc.
  • the processing unit 15 executes various processes based on the programs stored in the memory unit 11 and inputs from the communication unit 12 and the operation unit 14.
  • the processing unit 15 includes, as functional blocks, a first acquisition unit 151, a classification unit 152, a generation unit 153, a second acquisition unit 154, a dietary group estimation unit 155, a cognitive function estimation unit 156, an identification unit 157, and an output unit 158.
  • Each of these units is a functional module realized by a program executed by the processing unit 15.
  • Each of these units may be implemented in the estimation device 1 as a dedicated processing circuit.
  • FIG. 2 is a diagram showing an example of the data structure of the dietary history table T1 stored in the memory unit 11.
  • the dietary history table T1 stores the subject IDs, dietary history, calorie intake, protein intake, PFC (Protein-Fat-Carbohydrate) balance, and dietary tendency groups of multiple subjects in association with each other.
  • the subject ID is identification information for each of the multiple subjects.
  • the dietary history is information indicating the meals the subject ate during a specified period.
  • the dietary history indicates the intake of multiple food groups during a specified period.
  • the multiple food groups are seven food groups: grains, beans, green and yellow vegetables, other vegetables, seafood, meat, and eggs.
  • the intake is shown, for example, as the amount of calorie intake attributable to each food group relative to a specified amount of calorie intake.
  • the intake is the amount of calorie intake attributable to each food group per 1,000 kcal of the subject's calorie intake.
  • the calorie intake, protein intake, and PFC balance are the average values of the subject's calorie intake, protein intake, and PFC balance per day.
  • the dietary tendency group is information indicating which of multiple pre-set dietary tendency groups the subject belongs to.
  • information is stored indicating whether the subject belongs to the high cereal diet group (HC (High Cereal) group) or the high protein balanced diet group (PB (Protein Balance) group) as a dietary tendency group.
  • HC High Cereal
  • PB Protein Balance
  • the HC group is a group that, among the intakes of grains, beans, green and yellow vegetables, other vegetables, seafood, meat, and eggs, only the intake of grains is high.
  • the PB group is a group that, among the intakes of grains, beans, green and yellow vegetables, other vegetables, seafood, meat, and eggs, the intake of beans, green and yellow vegetables, other vegetables, seafood, meat, and eggs is high.
  • the PB group is a group that consumes a variety of foods, and subjects belonging to the PB group have a relatively low intake of grains and a relatively high intake of beans, meat, seafood, and eggs, resulting in a high intake of protein.
  • Each data in the dietary history table T1 is generated by a generation process executed by the estimation device 1 and stored in the memory unit 11 of the estimation device 1.
  • FIG. 3 is a schematic diagram for explaining an overview of the trained model stored in the memory unit 11.
  • the trained model is a program that, when the subject's dietary history is input, outputs information regarding which of multiple eating tendency groups the subject belongs to based on training data.
  • the training data is information that associates the dietary histories of multiple individuals with information indicating which of multiple eating tendency groups each individual belongs to, such as the above-mentioned dietary history table T1.
  • the trained model calculates and outputs the Mahalanobis distance between the subject's dietary history and each eating tendency group as information regarding which of multiple eating tendency groups the subject belongs to.
  • the dietary history included in the teacher data is plotted with black circles.
  • the x1 axis indicates the intake of grains
  • the x2 axis indicates the intake of beans.
  • the dietary history in the dietary history data shown in FIG. 2 is seven-dimensional data indicating the intake of seven food groups, namely grains, beans, green and yellow vegetables, other vegetables, seafood, meat, and eggs, during a specified period.
  • FIG. 3 only the intake of grains and beans is shown, and the intake of other food groups is omitted.
  • each dietary history is associated with information indicating whether it belongs to the HC group or the PB group.
  • FIG. 3 the dietary history included in the teacher data is plotted with black circles.
  • the x1 axis indicates the intake of grains
  • the x2 axis indicates the intake of beans.
  • the dietary history in the dietary history data shown in FIG. 2 is seven-dimensional data indicating the intake of seven food groups, namely grains, beans, green and yellow vegetables, other vegetables, seafood, meat
  • the dietary history of a person belonging to the HC group is surrounded by a dashed circle HC
  • the dietary history of a person belonging to the PB group is surrounded by a dashed circle PB.
  • the dashed circles HC and PB show the distribution of dietary histories belonging to the HC group and the PB group.
  • the average value m of the dietary history belonging to the HC group and the average value n of the dietary history belonging to the PB group are calculated in advance.
  • the unbiased variance-covariance matrix SA of the dietary history belonging to the HC group and the unbiased variance-covariance matrix SB of the dietary history belonging to the PB group are calculated in advance using the average values m and n.
  • the "trained model" can be defined as "D1-D2".
  • the Mahalanobis distance D1 between the subject's dietary history x and the HC group and the Mahalanobis distance D2 between the dietary history x and the PB group can be expressed as follows using the calculated m and n and the unbiased variance-covariance matrices SA and SB. Note that T indicates a transposed matrix.
  • the Mahalanobis distance can be considered to be a value obtained by normalizing the Euclidean distance between unknown data and known data based on the spread of the distribution of the known data.
  • the Euclidean distance in the x1-x2 space between the subject's dietary history x and the average value m of the dietary history belonging to the HC group is smaller than the Euclidean distance between the subject's dietary history x and the average value n of the dietary history belonging to the PB group.
  • the direction from the average value m of the HC group to the subject's dietary history x is approximately the minor axis direction of the dashed circle HC, which is the direction in which the spread of the distribution of the HC group is small.
  • the direction from the average value n of the PB group to the subject's dietary history x is approximately the major axis direction of the dashed circle PB, which is the direction in which the spread of the distribution of the PB group is large. Therefore, the Mahalanobis distance D1 between the subject's dietary history x and the HC group is calculated to be smaller than the Mahalanobis distance D2 between the dietary history x and the PB group.
  • the density of the wavy lines indicates that the Mahalanobis distance D1 is greater than the Mahalanobis distance D2 (D1-D2>0).
  • FIG. 4 shows an example of a question screen G1 displayed on the display unit 13 to obtain a dietary history.
  • the question screen G1 is a screen for accepting input of the intake amounts of multiple foods over a specified period of time as information about the subject's dietary history. In the example shown in FIG. 4, the question screen G1 accepts input of the number of times multiple foods are consumed in a week.
  • the subject's dietary history is calculated by inputting the intake amount of each food entered on question screen G1 into a specified dietary history calculation program.
  • the dietary history calculation program is a program that outputs a dietary history corresponding to the intake amount of each food entered by applying a specified formula to the number of times each food was consumed entered on question screen G1.
  • FIG. 5 is a diagram showing an example of the dietary tendency output screen G2 displayed on the display unit 13.
  • the dietary tendency output screen G2 is a screen for outputting the result of estimation of which dietary tendency group the subject belongs to.
  • the dietary tendency output screen G2 includes an estimation result display area G21, a cognitive function estimation area G22, and a food presentation area G23.
  • the estimated result display area G21 is an area that displays the result of the estimation of which of a plurality of dietary tendency groups the subject belongs to. In the example shown in FIG. 5, it is shown that the subject belongs to the HC group out of the HC group and the PB group.
  • the cognitive function estimation area G22 is an area that displays the cognitive function of the subject estimated based on the estimation result. In the example shown in FIG. 5, it is shown that the cognitive function of the subject may be deteriorated. Not limited to such an example, the cognitive function estimation area G22 may output an estimated value of an index indicating the cognitive function of the subject.
  • the index indicating the cognitive function may be a numerical value obtained by various cognitive function tests, for example, the NCI (Neurocognition Index) obtained by Cognitrax.
  • the cognitive function estimation area G22 displays the protein intake of the subject and the protein deficit of the subject.
  • the protein intake of the subject is a value stored in the dietary history table T1
  • the protein deficit of the subject is a value obtained by subtracting the protein intake from the protein requirement of the subject.
  • the protein requirement is, for example, a value based on the "Dietary Reference Intakes for Japanese" established by the Ministry of Health, Labor and Welfare.
  • the food presentation area G23 is an area that presents foods recommended to the subject based on the results of the estimation. For example, if the subject belongs to the HC group, foods that are high in protein that is thought to be lacking in the subject are presented.
  • FIG. 6 is a flow diagram showing an example of the flow of the generation process executed by the estimation device 1.
  • the generation process is a process for generating the meal history table T1.
  • the estimation process is realized by the processing unit 15 cooperating with other components of the estimation device 1 based on a program.
  • the first acquisition unit 151 acquires the dietary histories of multiple individuals (step S101). For example, the first acquisition unit 151 acquires the dietary histories of multiple individuals that are stored in advance in the storage unit 11 in order to generate the dietary history table T1.
  • the classification unit 152 classifies each of the multiple individuals into one of multiple dietary tendency groups based on the dietary histories of the multiple individuals (step S102). For example, the classification unit 152 applies the k-means algorithm to the dietary histories of the multiple individuals to classify each of the individuals into two clusters. Of the two clusters, the classification unit 152 classifies the cluster that consumes a lot of grains as the HC group, and the other cluster as the PB group.
  • the generation unit 153 generates a dietary history table T1 by associating the dietary histories of multiple individuals with the dietary tendency groups into which each individual has been classified (step S103).
  • the generation unit 153 stores the generated dietary history table T1 in the storage unit 11. This completes the generation process.
  • FIG. 7 is a flow diagram showing an example of the flow of the estimation process executed by the estimation device 1.
  • the estimation process is a process for estimating to which of a plurality of eating tendency groups the subject belongs based on the subject's dietary history.
  • the estimation process is executed in a state where the dietary history table T1 is stored in the memory unit 11 of the estimation device 1.
  • the estimation process is realized by the processing unit 15 working in cooperation with other components of the estimation device 1 based on a program.
  • the second acquisition unit 154 of the estimation device 1 acquires the subject's dietary history, calorie intake, protein intake, and PFC balance (step S201). For example, the second acquisition unit 154 displays a question screen G1 on the display unit 13 and accepts input of the intake amounts of multiple foods over a specified period of time. The second acquisition unit 154 inputs the intake amounts of each food input into the question screen G1 into a specified dietary history calculation program, and acquires the subject's dietary history, calorie intake, protein intake, and PFC balance output from the dietary history calculation program.
  • the dietary group estimation unit 155 then inputs the acquired dietary history into the previously described "trained model” to estimate which of multiple dietary tendency groups the subject belongs to (step S202).
  • the dietary group estimation unit 155 inputs the acquired dietary history into the previously described "trained model” to obtain "D1-D2", and estimates that if D1-D2 ⁇ 0, the subject belongs to the HC group, and if D1-D2 ⁇ 0, the subject belongs to the PB group.
  • the cognitive function estimation unit 156 estimates the cognitive function of the subject based on the estimation result (step S203). For example, if the subject belongs to the HC group, the cognitive function estimation unit 156 estimates that the subject's cognitive function may be impaired, and if the subject belongs to the PB group, the cognitive function estimation unit 156 estimates that the subject's cognitive function is normal. The cognitive function estimation unit 156 may estimate the subject's cognitive function based on the Mahalanobis distance between the subject's dietary history.
  • the identification unit 157 identifies foods recommended for the subject based on the results of the estimation by the dietary group estimation unit 155 (step S204). For example, if the subject belongs to the HC group, the identification unit 157 obtains the subject's protein intake from the dietary history table T1. The identification unit 157 calculates the subject's protein deficiency by subtracting the subject's protein intake from the subject's predetermined protein requirement. The identification unit 157 identifies foods based on multiple foods and the amount of protein contained in each food that are stored in advance in the storage unit 11. For example, the identification unit 157 identifies one or more foods such that the total value of protein contained in the identified foods exceeds the subject's protein deficiency.
  • the identification unit 157 may identify foods recommended to the subject if the subject belongs to the PB group.
  • the identification unit 157 may also identify foods recommended to the subject based on the subject's dietary history.
  • the output unit 158 outputs the results of the estimation by the dietary group estimation unit 155 and/or the cognitive function estimation unit 156 (step S205).
  • the output unit 158 outputs the results of the estimation by displaying, on the display unit 13, a dietary tendency output screen G2 including the estimated dietary group, the estimated cognitive function, and the identified foods. This completes the estimation process.
  • the estimation device 1 estimates whether the subject belongs to the HC group or the PB group by inputting the subject's dietary history into a trained model. In this way, the estimation device 1 can provide information on the subject's cognitive function, i.e., to which of multiple eating tendency groups the subject belongs. As will be described later, since there are significant differences in cognitive function between multiple eating tendency groups, the estimation device 1 can estimate the subject's cognitive function based on the dietary history.
  • the trained model also calculates the Mahalanobis distance between the subject's dietary history and each of the multiple dietary tendency groups based on training data that associates the dietary histories of multiple individuals with information indicating which of the multiple dietary tendency groups each individual belongs to. This enables the estimation device 1 to appropriately estimate the subject's dietary tendency group based on the dietary histories and dietary tendency groups of multiple individuals.
  • the classification unit 152 classifies multiple individuals into the HC group and the PB group, but this is not limited to an example.
  • the classification unit 152 may classify multiple individuals into three or more eating tendency groups.
  • the classification unit 152 may classify multiple individuals into three clusters: the HC group, the PB group, and an intermediate group indicating individuals with an intermediate eating history between the two groups.
  • the dietary group estimation unit 155 estimates which of the three or more eating tendency groups the subject belongs to.
  • the second acquisition unit 154 displays the question screen G1 to accept input of the food intake amount, but this is not limited to an example.
  • the second acquisition unit 154 may acquire the food intake amount based on a questionnaire filled out by the subject.
  • the second acquisition unit 154 acquires the food intake amount by acquiring information filled out on the questionnaire from a scanner having an OCR (Optical Character Recognition) function via the communication unit 12.
  • OCR Optical Character Recognition
  • the second acquisition unit 154 may acquire data on the food intake amount based on the questionnaire filled out by the subject via an operator's operation of the operation unit 14.
  • the second acquisition unit 154 may also acquire the dietary contents of each meal as the subject's dietary history.
  • the dietary contents may be, for example, the name of the dish, the names of the ingredients or foods used in the dish, the calories of the dish, etc.
  • the dietary contents may be photographed images of the dish.
  • the second acquisition unit 154 acquires the dietary contents of each meal by displaying an input screen on the display unit 13 for the subject to input the dietary contents.
  • the second acquisition unit 154 may acquire data indicating the dietary contents of each meal from the subject's communication terminal via the communication unit 12.
  • the second acquisition unit 154 converts the acquired dietary contents into the subject's dietary history by inputting them into a conversion program stored in advance. This reduces the burden on the subject of inputting food intake, etc., when the subject has stored the dietary contents of each meal in the communication terminal.
  • the "trained model” used in step S202 of the estimation process is a program that calculates "D1-D2", but this is not limited to this example.
  • the trained model may be a decision tree.
  • the decision tree is generated by a learning algorithm such as CART (Classification and Regression Trees) or C4.5 using training data in which the dietary history of multiple people is associated with information indicating which of multiple dietary tendency groups each person belongs to.
  • CART Classification and Regression Trees
  • C4.5 C4.5
  • the BDHQ is used to obtain the dietary history of a subject, it takes about 15 minutes to answer the BDHQ questionnaire, which can increase the burden on the subject.
  • the subject can answer only the questions necessary for classification by the decision tree, reducing the burden on the subject.
  • the estimation process using a trained model that is a decision tree is easier to understand than the calculation process of the Mahalanobis distance, making it easier for caregivers to give dietary advice to the subject.
  • the cognitive function estimation unit 156 estimates the cognitive function of the subject, but this is not limited to the example.
  • the cognitive function estimation unit 156 may estimate the state or possibility of onset of frailty, locomotor syndrome, sarcopenia, circulatory or respiratory disease, metabolic syndrome due to hyperglycemia or dyslipidemia, depression, sleep disorder, etc. In this way, a lot of information for maintaining the health of the subject is estimated based on the dietary history.
  • the output unit 158 displays the dietary tendency output screen G2 including the estimated information.
  • the cognitive function estimation unit 156 estimates the cognitive function of the subject based on the estimation result, but this is not limited to the example.
  • the cognitive function estimation unit 156 may estimate the cognitive function of the subject based on the dietary history of the subject. For example, the cognitive function estimation unit 156 estimates the cognitive function of the subject using a trained model that has been trained to output an index indicating cognitive function when a dietary history is input.
  • the trained model is, for example, a regression model, a decision tree, etc., and is trained using teacher data in which the dietary history of multiple people is associated with an index indicating each person's cognitive function. In this way, the cognitive function of the subject can be estimated with higher accuracy.
  • the cognitive function estimation unit 156 may also estimate the cognitive function of the subject based on attribute information of the subject.
  • the attribute information is, for example, age, sex, years of education, BMI (Body Mass Index), etc.
  • the cognitive function estimation unit 156 may also estimate the subject's cognitive function based only on the amount of grain intake from the subject's dietary history. Because grains contain a lot of carbohydrates, it is believed that the amount of grain intake has a significant effect on cognitive function. Therefore, by estimating the subject's cognitive function based on the amount of grain intake, it is possible to estimate the subject's cognitive function simply and with high accuracy. Note that instead of the amount of grain intake, the amount of carbohydrate intake calculated from the dietary history may be used.
  • the identification unit 157 identifies foods recommended to the subject based on the results of the estimation in step S204 of the estimation process, but this is not limited to an example.
  • the identification unit 157 may identify foods recommended to the subject based on the subject's dietary history.
  • the identification unit 157 estimates the subject's cognitive function using a trained model that has been trained to output foods when a dietary history is input.
  • the trained model is trained using training data that associates the dietary histories of multiple people with foods recommended to each person. In this way, it is possible to more appropriately identify foods recommended to the subject.
  • the dietary tendency output screen G2 output by the output unit 158 in step S205 of the estimation process displays the subject's protein intake and protein deficiency, but this is not limited to an example.
  • the dietary tendency output screen G2 may also display the subject's calorie intake stored in the dietary history table T1. In this case, the dietary tendency output screen G2 may further display whether the subject's calorie intake is more than the standard amount, appropriate, or less than the standard amount.
  • the standard amount is, for example, a value based on the "Dietary Reference Intakes for Japanese" established by the Ministry of Health, Labor and Welfare.
  • steps S203 and S204 may be omitted.
  • the dietary tendency output screen G2 output by the output unit 158 may not include one or both of the cognitive function estimation area G22 and the food presentation area G23.
  • the functions of the estimation device 1 described above may be realized by multiple devices.
  • the functions of the estimation device 1 may be realized by a server and a communication terminal of the subject that communicate with each other.
  • the server instead of displaying a screen on the display unit, the server transmits display data for displaying the screen to the communication terminal, and causes the communication terminal to display the screen.
  • the display data is, for example, HTML (Hyper Text Markup Language) data.
  • Second Embodiment 8 is a functional block diagram of an estimation device 2 according to a second embodiment of the present invention. While the estimation device 1 estimates which eating tendency group the subject belongs to and estimates the subject's cognitive function based on the estimation result, the estimation device 2 estimates the subject's cognitive function based on the subject's dietary history without estimating which eating tendency group the subject belongs to.
  • the estimation device 2 differs from the estimation device 1 in that it has a processing device 25 instead of the processing device 15.
  • Other configurations of the estimation device 2 are similar to the corresponding configurations of the estimation device 1, so the same reference numerals are used and the description is omitted.
  • the processing unit 25 is a device that controls the overall operation of the estimation device 2, and includes one or more processors and their peripheral circuits.
  • the processing unit 25 includes, for example, a CPU.
  • the processing unit 25 may also include a GPU, DSP, LSI, ASIC, FPGA, etc.
  • the processing unit 25 executes various processes based on the programs stored in the memory unit 11 and inputs from the communication unit 12 and the operation unit 14.
  • the processing unit 25 has a first acquisition unit 251, a learning unit 252, a second acquisition unit 253, an estimation unit 254, an identification unit 255, and an output unit 256 as functional blocks. Each of these units is a functional module realized by a program executed by the processing unit 25. Each of these units may be implemented in the estimation device 2 as a dedicated processing circuit.
  • the dietary history table T2 stores the subject ID, dietary history, age, sex, years of education, BMI (Body Mass Index), cognitive function, etc. in association with each other.
  • the dietary history is the intake of multiple food groups.
  • the food groups for which the intake is stored are, for example, seven food groups: grains, beans, green and yellow vegetables, other vegetables, seafood, meat, and eggs.
  • the age, sex, years of education, and BMI are examples of attribute information of the subject.
  • the cognitive function is an index that indicates the cognitive function of each person, and may be a numerical value obtained by various cognitive function tests.
  • the cognitive function may be the MPI (Memory Performance Index) from Atama no Kenkou Check (registered trademark) or the NCI (Neurocognition Index) from Cognitrax.
  • the MPI is an index for measuring memory function, which is one of the cognitive functions.
  • FIG. 10 is a flow diagram showing an example of the flow of the learning process executed by the estimation device 2.
  • the learning process is a process for generating a trained model used to estimate the cognitive function of the subject.
  • the learning process is executed in a state where the dietary history table T2 is stored in the storage unit 11.
  • the learning process is realized by the processing unit 25 cooperating with other components of the estimation device 2 based on a program.
  • the first acquisition unit 251 of the estimation device 2 acquires the dietary history, age, sex, years of education, BMI, and cognitive function of multiple individuals as teacher data from the dietary history table T2 (step S301).
  • the learning unit 252 uses the acquired teacher data to train the learning model to output the cognitive function of the subject when the subject's dietary history, age, sex, years of education, and BMI are input, thereby generating a trained model (step S302).
  • the learning model is, for example, a neural network.
  • the learning unit 252 trains the learning model by updating the parameters of the learning model so that the error between the output of the trained model and the cognitive function of each person when the dietary history, age, sex, years of education, and BMI of multiple people are input to the trained model is reduced.
  • the error is, for example, a mean square error.
  • the error may be the square root of the mean square error, the mean square logarithmic error, a percentage error, etc.
  • the parameters are updated by a gradient descent method, such as the steepest descent method or the stochastic gradient descent method.
  • the learning unit 252 stores the generated trained model in the storage unit 11. This completes the learning process.
  • the “trained model” in the second embodiment may be generated in advance and stored in the storage unit 11.
  • the estimation device 2 does not necessarily have to have the learning unit 253.
  • the “trained model” in the second embodiment may be stored in an external device (e.g., a server) other than the estimation device 2, and may be configured to be available by accessing the external device from the estimation device 2.
  • FIG. 11 is a flow diagram showing an example of the flow of the estimation process executed by the estimation device 2.
  • the estimation process is a process for estimating the cognitive function of a subject.
  • the estimation process is executed in a state where a trained model that has been trained to output the cognitive function of a subject when the subject's dietary history, age, sex, years of education, and BMI are input is stored in the memory unit 11.
  • the learning process is realized by the processing unit 25 working in cooperation with other components of the estimation device 2 based on a program.
  • the second acquisition unit 253 of the estimation device 2 acquires the subject's dietary history, age, sex, years of education, and BMI (step S401). For example, the second acquisition unit 253 acquires the subject's dietary history in the same manner as step S201 of the estimation process. In addition, the second acquisition unit 253 displays a screen (not shown) on the display unit 13 for the subject to input their age, sex, years of education, and BMI, and acquires the subject's age, sex, years of education, and BMI by accepting the input of the age, sex, years of education, and BMI.
  • the estimation unit 254 estimates the subject's cognitive function by inputting the subject's dietary history, age, sex, years of education, and BMI into the trained model (step S402).
  • the estimation unit 254 estimates the subject's cognitive function by inputting the subject's dietary history, age, sex, years of education, and BMI into the trained model.
  • the identification unit 255 identifies foods recommended for the subject (step S403).
  • the identification unit 255 identifies foods recommended for the subject in the same manner as when the subject belongs to the HC group in step S204 of the estimation process.
  • the output unit 256 outputs the result of the estimation (step S404).
  • the output unit 256 outputs the result of the estimation by displaying a screen including the estimated cognitive function of the subject and foods recommended for the identified subject on the display unit 13. This completes the estimation process.
  • the estimation device 2 estimates the cognitive function of a subject using a trained model that has been trained to output the cognitive function of the subject when the subject's dietary history, age, sex, years of education, and BMI are input.
  • a trained model that has been trained to output the cognitive function of the subject when the subject's dietary history, age, sex, years of education, and BMI are input.
  • there is a certain correlation between the subject's dietary history and cognitive function because there are significant differences in cognitive function between multiple dietary tendency groups.
  • the estimation device 2 makes it possible to estimate the subject's cognitive function with high accuracy and provide information on the subject's cognitive function.
  • the trained model is trained to output the subject's cognitive function when the subject's dietary history, age, sex, years of education, and BMI are input, but this is not limited to an example.
  • the trained model may input only some of the subject's dietary history, age, sex, years of education, and BMI.
  • the trained model may be trained to output the subject's cognitive function when the subject's dietary history is input. Since there is a certain correlation between the subject's dietary history and cognitive function, in this case as well, it is possible to estimate the subject's cognitive function.
  • the subject's dietary history input to the trained model is the intake of seven food groups, but this is not limited to this example, and the subject's dietary history may be the intake of more than seven food groups, or may be the intake of fewer food groups.
  • the subject's dietary history may be the intake of fifteen food groups, including grains, potatoes, sugars, beans, green and yellow vegetables, other vegetables, fruits, seafood, meat, eggs, dairy products, oils and fats, confectioneries, favorite beverages, and seasonings. In this way, the subject's cognitive function can be estimated.
  • the subject's dietary history may also be the intake of some of the seven food groups.
  • the classification of food groups is not limited to the above-mentioned examples, and may be more detailed or larger. For example, instead of a classification of meats, classifications such as chicken, pork, beef, and other meats may be used.
  • the food group intake is the amount of calories ingested from each food group relative to a given amount of calories ingested, but this is not limited to this example.
  • the food group intake may also be the weight of food belonging to each food group ingested by the subject during a given period of time. This eliminates the need to use a complex intake calculation program to calculate the food group intake, making it possible to easily estimate the subject's cognitive function.
  • the surveyed dietary history was classified into multiple clusters using the k-means method.
  • the sum of squares of the distances between the centroids of multiple clusters and each point contained in each cluster was calculated.
  • Figure 12 shows the relationship between the number of clusters and the sum of squares of the distances. According to Figure 12, the decrease in the sum of squares of the distances was the largest when the number of clusters was increased from 1 to 2, so the number of clusters was determined to be 2.
  • the cluster with the highest grain intake was designated the HC group, and the other cluster was designated the PB group.
  • Classification using the k-means method was performed multiple times with different initial values, and the classification result that showed the largest difference in cognitive function between the elderly people in the HC group and the PB group was adopted.
  • Figure 13 shows the median and interquartile range of age, years of education, BMI, and cognitive function measured by the MoCA method for the elderly people in the HC group and the PB group in the adopted classification result.
  • the p-value showing the difference in cognitive function between the elderly people in the HC group and the elderly people in the PB group was 0.031, and there was a significant difference in cognitive function between the elderly people in both groups.
  • Figure 14 shows the median and interquartile range of the intake of each food group for elderly people in the HC and PB groups.
  • the p-value showing the difference in intake of grains, beans, green and yellow vegetables, other vegetables, seafood, meat, and eggs between the elderly people in the HC group and the elderly people in the PB group was less than 0.001, indicating a significant difference in the intake of these food groups. Therefore, it was confirmed that there is a correlation between the intake of these seven food groups and whether the subject belongs to the HC group or the PB group. It was also confirmed that there is a correlation between the intake of these seven food groups and the cognitive function of the subjects.
  • Fig. 15 is a diagram showing the partial regression coefficient, standard partial regression coefficient, p-value, and VIF (Variance Inflation Factor) of each explanatory variable obtained by multiple regression analysis for 150 elderly people.
  • the data on 150 elderly people was used in Example 1, and was subjected to multiple regression analysis using the stepwise method with the elderly people's MPI as the objective variable, and the intake of the four major nutrients of carbohydrates, proteins, lipids, and ash, sex, age, years of education, and BMI as the explanatory variables.
  • Fig. 15 shows only explanatory variables that are significant with respect to the objective variable among the explanatory variables.
  • Figure 16 shows the partial regression coefficients, standard partial regression coefficients, p-values, and VIFs for each explanatory variable obtained by multiple regression analysis of 267 elderly people.
  • the data on the 267 elderly people was used in Evaluation 1 of Example 1, and was subjected to multiple regression analysis using the stepwise method, with the elderly people's MPI as the objective variable and the intake of the four major nutrients (carbohydrates, protein, lipids, and ash), gender, age, years of education, and BMI as explanatory variables.
  • Figure 16 shows only the explanatory variables that showed significance with respect to the objective variable.
  • Fig. 17 is a diagram showing the partial regression coefficient, standard partial regression coefficient, p-value, and VIF of each explanatory variable obtained by multiple regression analysis for 385 elderly people.
  • the frailty score of the elderly person was used as the objective variable, and the dietary pattern (HC group or PB group), sex, and age were used as the explanatory variables, and multiple regression analysis was performed using the stepwise method.
  • Fig. 17 shows only explanatory variables that showed significance with respect to the objective variable among the explanatory variables.
  • FIG. 18 is a diagram showing partial regression coefficients, standard partial regression coefficients, p-values, and VIFs of each explanatory variable obtained by multiple regression analysis of 385 elderly people.
  • the stepwise multiple regression analysis was performed with the muscle mass of the elderly people as the objective variable, and dietary patterns (HC group or PB group), sex, and age as the explanatory variables.
  • FIG. 18 shows only explanatory variables that show significance with respect to the objective variable among the explanatory variables.
  • muscle mass (SMI: skeletal muscle index) is the value obtained by dividing the sum of the limb muscle mass by the square of height (m).
  • the second embodiment it is possible to configure a trained model that is configured with a neural network or the like and that has been trained to output the muscle mass of a subject when the dietary history of the subject is input.
  • a trained model that is configured with a neural network or the like and that has been trained to output the muscle mass of a subject when the dietary history of the subject is input.
  • Example 1 the dietary history input to the "trained model" according to the first embodiment was seven types of food: grains, beans, green and yellow vegetables, other vegetables, seafood, meat, and eggs.
  • the values of the average energy intake per 1000 kcal of grains, beans, green and yellow vegetables, other vegetables, seafood, meat, and eggs in the sample X to be estimated were x1, x2, x3, x4, x5, x6, and x7, respectively.
  • the intake of seven food groups: grains, beans, green and yellow vegetables, other vegetables, seafood, meat, and eggs, of 150 elderly people was investigated using the BDHQ method.
  • whether the 150 elderly people belonged to the HC group or the PB group was estimated using the k-means method.
  • a dietary history table T1 was created based on the dietary history of the 150 elderly people and data indicating whether each elderly person belonged to the HC group or the PB group.
  • the meal history table T1 serves as training data for the "trained model" according to the first embodiment.
  • n1 224.3
  • n2 53.2
  • n3 26.1
  • n4 32.0
  • n5 132.0
  • D1 2 (x1-m1, x2-m2, x3-m3, x4-m4, x5-m5, x6-m6, x7-m7) ⁇ SA -1 ⁇ (x1-m1, x2-m2, x3-m3, x4-m4, x5-m5, x6-m6, x7-m7) T ... (1)
  • FIG. 19 is a diagram showing an example of the unbiased variance-covariance matrices SA and SB calculated from each data in the above dietary history table T1.
  • a "trained model” was generated, which is a program that calculates "D1-D2" from the values (x1, x2, x3, x4, x5, x6, x7) of the average energy intake per 1000 kcal of grains, beans, green and yellow vegetables, other vegetables, seafood, meat, and eggs in the sample X to be estimated.
  • Figure 20 shows the age, years of education, BMI, and median and interquartile range of MPI for 267 elderly people classified into the HC group and the PB group.
  • the p-value showing the difference in MPI between the general elderly people in the HC group and the elderly people in the PB group was 0.026, and there was a significant difference in memory function between the elderly people in both groups.
  • Example 1 it was confirmed that it is possible to use the "trained model" generated in Example 1 to estimate which of multiple dietary tendency groups with significant differences in memory function a subject belongs to based on the subject's dietary history.
  • Figure 21 shows the median and interquartile range of age, years of education, BMI, NCI, and MPI for 80 elderly people classified into the HC group and the PB group.
  • the p-value showing the difference in NCI between the elderly people in the HC group and the elderly people in the PB group was 0.016, and there was a significant difference in cognitive function between the elderly people in both groups.
  • the p-value showing the difference in MPI between the elderly people in the HC group and the elderly people in the PB group was 0.016, and there was a significant difference in memory function between the elderly people in both groups.
  • Example 1 it was confirmed that it is possible to use the "trained model" generated in Example 1 to estimate which of multiple dietary tendency groups with significant differences in cognitive and memory function a subject belongs to based on the subject's dietary history.
  • Example 2 a "trained model" according to the second embodiment was constructed using a neural network.
  • the neural network had an input layer, a batch normalization layer, a hidden layer, and an output layer, and the hidden layer included seven fully connected layers, each having 300 nodes.
  • the activation function of each node was the ReLU function.
  • batch normalization was performed in each of the fully connected layers included in the hidden layer.
  • the neural network was trained 100 times using 70% of the data of the 267 elderly people used in Evaluation 1 of Example 1 as training data. The training was performed so that the squared error between the neural network output and cognitive function was small, and a trained model was generated using the neural network. That is, the inputs of the "trained model" are the average energy intake per 1000 kcal of grains, beans, green and yellow vegetables, other vegetables, seafood, meat, and eggs in sample X to be estimated, as well as age, sex, years of education, and BMI (x1, x2, x3, x4, x5, x6, x7, x8, x9, x10, x11), and the output is the MPI value (0 to 100) indicating the cognitive function corresponding to sample X.
  • the inputs of the "trained model” are the average energy intake per 1000 kcal of grains, beans, green and yellow vegetables, other vegetables, seafood, meat, and eggs in sample X to be estimated, as well as age, sex, years of education, and BMI
  • Figure 22 shows the results of performance evaluation of the "trained model” generated as Example 2.
  • the horizontal axis of the graph in Figure 22 is MPI, which indicates pre-measured cognitive function, and the vertical axis is the output of the "trained model".
  • the Spearman's rank correlation coefficient between the MPI and the output of the "trained model” is 0.50, and the p-value is less than 0.001. Therefore, it was confirmed that when the "trained model” generated as Example 2 is used, it is possible to estimate the cognitive function of a subject using the intake values of seven food groups, as well as age, sex, years of education, and BMI as input.
  • Example 3 the "trained model" according to the second embodiment was constructed using a neural network.
  • the neural network was configured to have the same configuration as in Example 3.
  • the neural network was trained 100 times using 70% of the data of the 267 elderly people used in Evaluation 1 of Example 1 as training data.
  • the training was performed so as to minimize the squared error between the neural network output and cognitive function, and a trained model was generated using the neural network. That is, the inputs of the "trained model" are the average energy intake per 1000 kcal of chicken, beef, pork, fish, rice, and bread in sample X to be estimated, as well as age, sex, years of education, and BMI (x1, x2, x3, x4, x5, x6, x7, x8, x9), and the output is the MPI value (0 to 100) indicating the cognitive function corresponding to sample X.
  • Figure 23 shows the results of performance evaluation of the "trained model” generated as Example 3.
  • the horizontal axis of the graph in Figure 23 is MPI, which indicates cognitive function measured in advance, and the vertical axis is the output of the "trained model”.
  • the Spearman's rank correlation coefficient between the MPI and the output of the "trained model” is 0.52, and the p-value is less than 0.001. Therefore, when using the "trained model” generated as Example 3, it was confirmed that it is possible to estimate the cognitive function of the subject even when a trained model trained using the intake of fewer than seven food groups is used. It was also confirmed that it is possible to estimate the cognitive function of the subject even when the weight of food belonging to each food group ingested by the subject during a specified period is used as the intake of the food group.
  • Example 4 the "trained model" according to the second embodiment was constructed using a neural network.
  • FIG. 24 shows the constructed neural network 30.
  • the neural network 30 had an input layer 31, a batch normalization layer 32, an intermediate layer 33, and an output layer 34, and the intermediate layer 33 included 10 fully connected layers, each having 300 nodes.
  • the activation function of each node was the ReLU function.
  • batch normalization was performed in each of the fully connected layers included in the intermediate layer 33.
  • the above neural network was trained 100 times using 218 of the 385 elderly people's data used in the evaluation of (correlation between frailty and the HC and PB groups) and (correlation between muscle mass and the HC and PB groups) in Example 1 as training data.
  • the training was performed so as to minimize the squared error between the neural network output and cognitive function, and a trained model was generated using the above neural network.
  • the inputs to the "trained model” are the average intake values per 1000 kcal of animal protein, plant protein, carbohydrates, sodium, potassium, calcium, magnesium, retinol equivalent, vitamin D, vitamin K, vitamin C, saturated fatty acids, monounsaturated fatty acids, polyunsaturated fatty acids, cholesterol, soluble dietary fiber, insoluble dietary fiber, and sucrose for the sample X to be estimated, as well as age, sex, years of education, and BMI (x1, x2, x3, x4, x5, x6, x7, x8, x9, x10, x11, x12, x13, x14, x15, x16, x17, x18, x19, x20, x21, x22), and the output is the MPI value (0 to 100) indicating the cognitive function corresponding to the sample X.
  • Example 4 The performance of the "trained model” generated in Example 4 was evaluated using 74 of the 385 elderly people's data as evaluation data.
  • Figure 25 shows the results of performance evaluation of the "trained model” generated as Example 4.
  • the horizontal axis of the graph in Figure 25 is MPI, which indicates pre-measured cognitive function, and the vertical axis is the output of the "trained model".
  • the Spearman's rank correlation coefficient between the MPI and the output of the "trained model” is 0.503, and the p-value is less than 0.001. Therefore, it was confirmed that when the "trained model” generated as Example 4 is used, it is possible to estimate the cognitive function of a subject using the intake values of 18 types of nutrients as well as age, sex, years of education, and BMI as input.

Landscapes

  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Nutrition Science (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

被検者の認知機能に関する情報を提供することを可能とする推定装置等を提供する。推定装置は、被検者の食事歴が入力された場合に、当該被検者があらかじめ設定された、高穀物食群および高たんぱく質バランス食群を含む複数の食事傾向群のうちのいずれに属するかに関する情報を出力するように学習された学習済みモデルを記憶する記憶部と、被検者の食事歴を取得する取得部と、取得された食事歴を学習済みモデルに入力することにより、被検者が複数の食事傾向群のうちのいずれに属するかを推定する推定部と、を有する。

Description

推定装置、推定方法およびプログラム
　本発明は、推定装置、推定方法およびプログラムに関する。
　認知症は発症後に回復することがほとんどないため、認知症の発症前に適切に介入することが重要である。現在、認知症の発症前における薬物療法は確立されていないため、生活習慣の改善が主な介入手段となる。生活習慣の改善方法の一つとして食事管理が知られており、食事管理を支援するシステムが開発されている（例えば、特開２０１２－２３８１０６号公報参照）。
　発明者らは、被検者の食事傾向を特定の群に分類した場合に、各群に含まれる被検者の認知機能に有意な差があることを見出した。
　本開示は、被検者の認知機能に関する情報を提供することを可能とする推定装置、推定方法およびプログラムを提供することを目的とする。
　本開示の実施形態に係る推定装置は、被検者の食事歴が入力された場合に、当該被検者があらかじめ設定された、高穀物食群および高たんぱく質バランス食群を含む複数の食事傾向群のうちのいずれに属するかに関する情報を出力するように学習された学習済みモデルを記憶する記憶部と、被検者の食事歴を取得する取得部と、取得された食事歴を学習済みモデルに入力することにより、被検者が複数の食事傾向群のうちのいずれに属するかを推定する推定部と、を有することを特徴とする。
　被検者の食事歴は、穀類、豆類、緑黄色野菜類、他の野菜類、魚介類、肉類、卵類の摂取量を含むことが好ましい。
　被検者の食事歴は、ＢＤＨＱ（Brief-type Self-administered Diet History Questionnaire）により取得されることが好ましい。
　複数の食事傾向群は、高穀物食群および高たんぱく質バランス食群の二つの食事傾向群からなることが好ましい。
　学習済みモデルは、複数の者の食事歴と各者が複数の食事傾向群のうちのいずれに属するかを示す情報とを関連付けた教師データに基づいて、入力された食事歴と各食事傾向群との間のマハラノビス距離を出力することが好ましい。
　教師データは、複数の者の食事歴に対してｋ－平均法を適用し、各者を複数の食事傾向群に分類することにより生成されることが好ましい。
　推定装置は、推定の結果に基づいて、被検者の認知機能を推定する推定部をさらに有することが好ましい。
　推定装置は、推定の結果に基づいて、被検者に推奨される食品を特定する特定部をさらに有することが好ましい。
　本開示の実施形態に係る推定方法は、被検者の食事歴が入力された場合に、当該被検者があらかじめ設定された、高穀物食群および高たんぱく質バランス食群を含む複数の食事傾向群のうちのいずれに属するかに関する情報を出力するように学習された学習済みモデルを記憶し、被検者の食事歴を取得し、取得された食事歴を学習済みモデルに入力することにより、被検者が複数の食事傾向群のうちのいずれに属するかを推定する、ことを含むことを特徴とする。
　本開示の実施形態に係るプログラムは、被検者の食事歴が入力された場合に、当該被検者があらかじめ設定された、高穀物食群および高たんぱく質バランス食群を含む複数の食事傾向群のうちのいずれに属するかに関する情報を出力するように学習された学習済みモデルを記憶するコンピュータのプログラムであって、被検者の食事歴を取得し、取得された食事歴を学習済みモデルに入力することにより、被検者が複数の食事傾向群のうちのいずれに属するかを推定する、ことをコンピュータに実行させることを特徴とする。
　本開示の実施形態に係る推定装置は、被検者の食事歴が入力された場合に、被検者の認知機能を出力するように学習された学習済みモデルを記憶する記憶部と、被検者の食事歴を取得する取得部と、取得された食事歴を学習済みモデルに入力することにより、被検者の認知機能を推定する推定部と、を有することを特徴とする。
　本開示の実施形態に係る推定方法は、被検者の食事歴が入力された場合に、被検者の認知機能を出力するように学習された学習済みモデルを記憶し、被検者の食事歴を取得し、取得された食事歴を学習済みモデルに入力することにより、被検者の認知機能を推定する、ことを含むことを特徴とする。
　本開示の実施形態に係るプログラムは、被検者の食事歴が入力された場合に、被検者の認知機能を出力するように学習された学習済みモデルを記憶する記憶部を有するコンピュータのプログラムであって、被検者の食事歴を取得し、取得された食事歴を学習済みモデルに入力することにより、被検者の認知機能を推定する、ことをコンピュータに実行させることを特徴とする。
　本開示の実施形態に係る推定装置は、被検者の食事歴が入力された場合に被検者のフレイルスコアを出力するように学習された学習済みモデルを記憶する記憶部と、被検者の食事歴を取得する取得部と、取得された食事歴を学習済みモデルに入力することにより被検者のフレイルスコアを推定する推定部と、を有することを特徴とする。
　本開示の実施形態に係る推定方法は、被検者の食事歴が入力された場合に、被検者のフレイルスコアを出力するように学習された学習済みモデルを記憶し、被検者の食事歴を取得し、取得された食事歴を学習済みモデルに入力することにより、被検者のフレイルスコアを推定する、ことを含むことを特徴とする。
　本開示の実施形態に係るプログラムは、被検者の食事歴が入力された場合に、被検者のフレイルスコアを出力するように学習された学習済みモデルを記憶する記憶部を有するコンピュータのプログラムであって、被検者の食事歴を取得し、取得された食事歴を学習済みモデルに入力することにより、被検者のフレイルスコアを推定する、ことをコンピュータに実行させることを特徴とする。
　本開示の実施形態に係る推定装置は、被検者の食事歴が入力された場合に被検者の筋肉量を出力するように学習された学習済みモデルを記憶する記憶部と、被検者の食事歴を取得する取得部と、取得された食事歴を学習済みモデルに入力することにより被検者の筋肉量を推定する推定部と、を有することを特徴とする。
　本開示の実施形態に係る推定方法は、被検者の食事歴が入力された場合に、被検者の筋肉量を出力するように学習された学習済みモデルを記憶し、被検者の食事歴を取得し、取得された食事歴を前記学習済みモデルに入力することにより、被検者の筋肉量を推定する、ことを含むことを特徴とする。
　本開示の実施形態に係るプログラムは、被検者の食事歴が入力された場合に、被検者の筋肉量を出力するように学習された学習済みモデルを記憶する記憶部を有するコンピュータのプログラムであって、被検者の食事歴を取得し、取得された食事歴を学習済みモデルに入力することにより、被検者の筋肉量を推定する、ことをコンピュータに実行させることを特徴とするプログラム。
　本開示に係る推定装置、推定方法およびプログラムは、被検者の認知機能に関する情報を提供することを可能とする。
推定装置１の機能ブロック図である。 食事歴テーブルＴ１のデータ構造の例を示す図である。 学習済みモデルについて説明するための模式図である。 質問画面Ｇ１の例を示す図である。 食事傾向表示画面Ｇ２の例を示す図である。 生成処理の流れの例を示すフロー図である。 推定処理の流れの例を示すシーケンス図である。 推定装置２の機能ブロック図である。 食事歴テーブルＴ２のデータ構造の例を示す図である。 学習処理の流れの例を示すフロー図である。 推定処理の流れの例を示すフロー図である。 クラスタ数と距離の二乗和との関係を示す表である。 採用された分類結果においてＨＣ群とＰＢ群とのそれぞれに含まれる高齢者の年齢、教育年数、ＢＭＩおよびＭｏＣＡ法によって測定された認知機能の中央値および四分位範囲を示す図である。 ＨＣ群とＰＢ群とのそれぞれに含まれる高齢者の各食品群の摂取量の中央値および四分位範囲を示す図である。 説明変数の偏回帰計数、標準偏回帰計数、ｐ値、ＶＩＦを示す図である。 説明変数の偏回帰計数、標準偏回帰計数、ｐ値、ＶＩＦを示す図である。 フレイルスコアとＨＣ群及びＰＢ群との相関を示す図である。 筋肉量とＨＣ群及びＰＢ群との相関を示す図である。 食事歴テーブルＴ１の各データから算出される不偏分散共分散行列ＳＡおよびＳＢの一例を示す図である。 ＨＣ群とＰＢ群とのそれぞれに分類された２６７人の高齢者の年齢、教育年数、ＢＭＩおよびＭＰＩの中央値および四分位範囲を示す図である。 ＨＣ群とＰＢ群とのそれぞれに分類された８０人の高齢者の年齢、教育年数、ＢＭＩ、ＮＣＩおよびＭＰＩの中央値および四分位範囲を示す図である。 実施例２として生成された「学習済モデル」の性能評価の結果を示す図である。 実施例３として生成された「学習済モデル」の性能評価の結果を示す図である。 実施例４の構成を示す図である。 実施例４として生成された「学習済モデル」の性能評価の結果を示す図である。
　以下、図面を参照しつつ、本開示の様々な実施形態について説明する。本開示の技術的範囲はそれらの実施形態に限定されず、特許請求の範囲に記載された発明及びその均等物に及ぶ点に留意されたい。
（第１の実施形態）
　図１は、本発明の第１の実施形態に係る推定装置１の機能ブロック図である。推定装置１は、ＰＣ（Personal Computer）、サーバ、携帯電話機、スマートフォン、タブレット端末、携帯ゲーム機等の情報処理装置である。推定装置１は、被検者の食事歴に基づいて、被検者が複数の食事傾向群のいずれに属するかを推定する。推定装置１は、記憶部１１、通信部１２、表示部１３、操作部１４および処理部１５を有する。
　記憶部１１は、データおよびプログラムを記憶するための構成であり、例えば半導体メモリを備える。記憶部１１は、処理部１５による処理に用いられるオペレーティングシステムプログラム、ドライバプログラム、アプリケーションプログラム、データ等を記憶する。プログラムは、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）、ＤＶＤ－ＲＯＭ（Digital Versatile Disc Read Only Memory）等のコンピュータ読み取り可能かつ非一時的な可搬型記憶媒体から記憶部１１にインストールされる。
　通信部１２は、推定装置１を他の装置と通信可能にする構成であり、通信インタフェース回路を備える。通信インタフェース回路は、有線ＬＡＮ（Local Area Network）、無線ＬＡＮ、移動体通信方式等の通信インタフェース回路である。通信部１２は、データを他の装置から受信して処理部１５に供給するとともに、処理部１５から供給されたデータを他の装置に送信する。
　表示部１３は、画像を表示するための構成であり、例えば、液晶ディスプレイまたは有機ＥＬ（Electro-Luminescence）ディスプレイを備える。表示部１３は、処理部１５から供給された表示データに基づいて画像を表示する。
　操作部１４は、推定装置１に対する操作を受け付けるための構成であり、キーボード、キーパッド、マウス等を備える。操作部１４は、表示部１３と一体化されたタッチパネルを備えてもよい。操作部１４は、受け付けた操作に応じた操作信号を生成して処理部１５に供給する。
　処理部１５は、推定装置１の動作を統括的に制御するデバイスであり、一つまたは複数のプロセッサおよびその周辺回路を備える。処理部１５は、例えばＣＰＵ（Central Processing Unit）を備える。処理部１５は、ＧＰＵ（Graphics Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）等を備えてもよい。処理部１５は、記憶部１１に記憶されているプログラム並びに通信部１２および操作部１４からの入力に基づいて各種の処理を実行する。
　処理部１５は、第１取得部１５１、分類部１５２、生成部１５３、第２取得部１５４、食事群推定部１５５、認知機能推定部１５６、特定部１５７および出力部１５８を機能ブロックとして備える。これらの各部は、処理部１５が実行するプログラムによって実現される機能モジュールである。これらの各部は、専用の処理回路として推定装置１に実装されてもよい。
　図２は、記憶部１１に記憶される食事歴テーブルＴ１のデータ構造の例を示す図である。食事歴テーブルＴ１は、複数の被検者の被検者ＩＤと、食事歴と、摂取カロリーと、摂取タンパク質量と、ＰＦＣ（Protein-Fat-Carbohydrate）バランスと、各被検者の食事傾向群とを関連付けて記憶する。
　被検者ＩＤは、複数の被検者のそれぞれの識別情報である。食事歴は、被検者が所定期間に摂った食事を示す情報である。食事歴は、所定期間における複数の食品群の摂取量を示す。図２に示す例では、複数の食品群は穀類、豆類、緑黄色野菜類、他の野菜類、魚介類、肉類および卵類の七種の食品群である。摂取量は、例えば、所定量の摂取カロリーに対する、各食品群に起因する摂取カロリーの量として示される。図２に示す例では、摂取量は被検者の摂取カロリー１，０００ｋｃａｌあたりの各食品群に起因する摂取カロリーの量である。摂取カロリー、摂取タンパク質量およびＰＦＣバランスは、被検者の一日あたりの摂取カロリー、摂取タンパク質量およびＰＦＣバランスの平均値である。食事傾向群は、被検者があらかじめ設定された複数の食事傾向群のいずれに属するかを示す情報である。図２に示す例では、食事傾向群として、被検者が高穀物食群（ＨＣ（High Cereal）群）および高たんぱく質バランス食群（ＰＢ（Protein Balance）群）のいずれに属するかを示す情報が記憶されている。
　図２に示す例において、ＨＣ群は、穀類、豆類、緑黄色野菜類、他の野菜類、魚介類、肉類および卵類の摂取量のうち、穀類の摂取量のみが多い群である。ＰＢ群は、穀類、豆類、緑黄色野菜類、他の野菜類、魚介類、肉類および卵類の摂取量のうち、豆類、緑黄色野菜類、他の野菜類、魚介類、肉類および卵類の摂取量が多い群である。ＰＢ群は多様な食品を摂取している群であり、ＰＢ群に属する被検者は穀類の摂取量が相対的に少なく、豆類、肉類、魚介類、卵類の摂取量が相対的に多いため、タンパク質の摂取量が多くなっている。
　食事歴テーブルＴ１の各データは、推定装置１によって実行される生成処理により生成され、推定装置１の記憶部１１に記憶される。
　図３は、記憶部１１に記憶される学習済みモデルの概要について説明するための模式図である。学習済みモデルは、被検者の食事歴が入力された場合に、教師データに基づいて、被検者が複数の食事傾向群のいずれに属するかに関する情報を出力するプログラムである。教師データは、複数の者の食事歴と各者が複数の食事傾向群のいずれに属するかを示す情報とが関連付けられた情報であり、例えば上述した食事歴テーブルＴ１である。学習済みモデルは、被検者が複数の食事傾向群のいずれに属するかに関する情報として、被検者の食事歴と各食事傾向群との間のマハラノビス距離を算出して出力する。
　図３に示す例では、教師データに含まれる食事歴が黒塗りの丸でプロットされている。図３において、ｘ１軸は穀類の摂取量を示し、ｘ２軸は豆類の摂取量を示している。なお、図２に示す食事歴データにおける食事歴は所定期間における穀類、豆類、緑黄色野菜類、他の野菜類、魚介類、肉類および卵類の七種の食品群の摂取量を示す７次元のデータであるが、図３では穀類および豆類の摂取量のみが図示され、他の食品群の摂取量の図示は省略されているものとする。教師データにおいては、各食事歴は、ＨＣ群およびＰＢ群のいずれに属するかを示す情報が関連付けられている。図３では、ＨＣ群に属する者の食事歴は破線円ＨＣに囲まれて、ＰＢ群に属する者の食事歴は破線円ＰＢに囲まれて図示されている。破線円ＨＣおよびＰＢは、ＨＣ群およびＰＢ群に属する食事歴の分布を模式的に示している。
　ＨＣ群に属する食事歴の平均値ｍ、およびＰＢ群に属する食事歴の平均値ｎがあらかじめ算出される。また、平均値ｍおよびｎを用いて、ＨＣ群に属する食事歴の不偏分散共分散行列ＳＡ、およびＰＢ群に属する食事歴の不偏分散共分散行列ＳＢがあらかじめ算出される。そこで、「学習済みモデル」は、「Ｄ１－Ｄ２」と定義できる。ここで、被検者の食事歴ｘとＨＣ群との間のマハラノビス距離Ｄ１および食事歴ｘとＰＢ群との間のマハラノビス距離Ｄ２は、算出したｍおよびｎ並びに不偏分散共分散行列ＳＡおよびＳＢを用いて、以下のように表すことができる。なお、Ｔは転置行列を示している。
　マハラノビス距離は、未知のデータと既知のデータとの間のユークリッド距離を、既知のデータの分布の広がりに基づいて正規化した値であると考えることができる。図３に示す例では、被検者の食事歴ｘとＨＣ群に属する食事歴の平均値ｍとの間のｘ１－ｘ２空間におけるユークリッド距離は、被検者の食事歴ｘとＰＢ群に属する食事歴の平均値ｎとの間のユークリッド距離よりも小さい。しかし、ＨＣ群の平均値ｍから被検者の食事歴ｘに向かう方向は概ね破線円ＨＣの短軸方向であり、ＨＣ群の分布の広がりが小さい方向である。一方で、ＰＢ群の平均値ｎから被検者の食事歴ｘに向かう方向は概ね破線円ＰＢの長軸方向であり、ＰＢ群の分布の広がりが大きい方向である。したがって、被検者の食事歴ｘとＨＣ群との間のマハラノビス距離Ｄ１は、食事歴ｘとＰＢ群との間のマハラノビス距離Ｄ２よりも小さく算出される。図３では、波線の密度により、マハラノビス距離Ｄ１がマハラノビス距離Ｄ２よりも大きいこと（Ｄ１－Ｄ２＞０）が示されている。
　図４は、食事歴を取得するために表示部１３に表示される質問画面Ｇ１の例を示す図である。質問画面Ｇ１は、被検者の食事歴に関する情報として、所定期間における複数の食品の摂取量の入力を受け付けるための画面である。図４に示す例では、質問画面Ｇ１は、一週間における複数の食品の摂取回数の入力を受け付けている。
　被検者の食事歴は、質問画面Ｇ１に入力された各食品の摂取量を所定の食事歴算出プログラムに入力することにより算出される。食事歴算出プログラムは、所定の数式を質問画面Ｇ１に入力された各食品の摂取回数に適用することにより、入力された各食品の摂取量に対応する食事歴を出力するプログラムである。
　図５は、表示部１３に表示される食事傾向出力画面Ｇ２の例を示す図である。食事傾向出力画面Ｇ２は、被検者がいずれの食事傾向群に属するかの推定の結果を出力するための画面である。食事傾向出力画面Ｇ２は、推定結果表示領域Ｇ２１、認知機能推定領域Ｇ２２および食品提示領域Ｇ２３を含む。
　推定結果表示領域Ｇ２１は、被検者が複数の食事傾向群のうちのいずれに属するかの推定の結果を表示する領域である。図５に示す例では、被検者がＨＣ群およびＰＢ群のうち、ＨＣ群に属することが示されている。認知機能推定領域Ｇ２２は、推定の結果に基づいて推定される被検者の認知機能を表示する領域である。図５に示す例では、被検者の認知機能が低下しているおそれがあることが示されている。このような例に限られず、認知機能推定領域Ｇ２２は、被検者の認知機能を示す指標の推定値を出力してもよい。認知機能を示す指標は、各種認知機能検査で得られる数値であればよく、例えばＣｏｇｎｉｔｒａｘによって得られるＮＣＩ（Neurocognition Index）である。被検者がＨＣ群に属する場合、認知機能推定領域Ｇ２２は、被検者のタンパク質摂取量および被検者のタンパク質の不足量を表示する。被検者のタンパク質摂取量は食事歴テーブルＴ１に記憶された値であり、被検者のタンパク質の不足量は、被検者のタンパク質必要量からタンパク質摂取量を減じた値である。タンパク質必要量は、例えば厚生労働省が定める「日本人の食事摂取基準」に基づく値である。食品提示領域Ｇ２３は、推定の結果に基づいて被検者に推奨される食品を提示する領域である。例えば、被検者がＨＣ群に属する場合には、被検者に不足していると考えられるタンパク質を多く含む食品が提示される。
　図６は、推定装置１によって実行される生成処理の流れの例を示すフロー図である。生成処理は、食事歴テーブルＴ１を生成するための処理である。推定処理は、処理部１５がプログラムに基づいて推定装置１の他の構成と協働することにより実現される。
　最初に、第１取得部１５１は、複数の者の食事歴を取得する（ステップＳ１０１）。例えば、第１取得部１５１は、食事歴テーブルＴ１を生成するためにあらかじめ記憶部１１に記憶された複数の者の食事歴を取得する。
　次に、分類部１５２は、複数の者の食事歴に基づいて、各者を複数の食事傾向群にいずれかに分類する（ステップＳ１０２）。例えば、分類部１５２は、複数の者の食事歴にｋ－平均法を適用して各者を二つのクラスタに分類する。分類部１５２は、二つのクラスタのうち、穀類を多く摂取しているクラスタをＨＣ群とし、他方のクラスタをＰＢ群とする。
　次に、生成部１５３は、複数の者の食事歴と、各者が分類された食事傾向群とを関連付けることにより、食事歴テーブルＴ１を生成する（ステップＳ１０３）。生成部１５３は、生成した食事歴テーブルＴ１を記憶部１１に記憶する。以上で、生成処理が終了する。
　なお、食事歴テーブルＴ１の各データは、予め生成されて記憶部１１に記憶されるようにしても良い。この場合、推定装置１は生成部１５３を必ずしも有していなくて良い。さらに、食事歴テーブルＴ１から算出される平均値ｍおよびｎ並びに不偏分散共分散行列ＳＡおよび不偏分散共分散行列ＳＢも、予め作成されて記憶部１１に記憶されるようにしても良い。言い換えれば、第１の実施形態における「学習済モデル」は、予め生成されて記憶部１１に記憶されるようにしても良い。また、第１の実施形態における「学習済モデル」は、推定装置１以外の外部装置等（例えば、サーバー）に記憶されて、推定装置１から外部装置等にアクセスすることによって、利用可能なように構成しても良い。
　図７は、推定装置１によって実行される推定処理の流れの例を示すフロー図である。推定処理は、被検者の食事歴に基づいて、被検者が複数の食事傾向群のいずれに属するかを推定するための処理である。推定処理は、推定装置１の記憶部１１に食事歴テーブルＴ１が記憶された状態で実行される。推定処理は、処理部１５がプログラムに基づいて推定装置１の他の構成と協働することにより実現される。
　最初に、推定装置１の第２取得部１５４は、被検者の食事歴、摂取カロリー、摂取タンパク質量およびＰＦＣバランスを取得する（ステップＳ２０１）。例えば、第２取得部１５４は、質問画面Ｇ１を表示部１３に表示し、所定期間における複数の食品の摂取量の入力を受け付ける。第２取得部１５４は、質問画面Ｇ１に入力された各食品の摂取量を所定の食事歴算出プログラムに入力し、食事歴算出プログラムから出力された被検者の食事歴、摂取カロリー、摂取タンパク質量およびＰＦＣバランスを取得する。
　次に、食事群推定部１５５は、取得された食事歴を、前述した「学習済みモデル」に入力することにより、被検者が複数の食事傾向群のうちのいずれに属するかを推定する（ステップＳ２０２）。食事群推定部１５５は、取得された食事歴を前述した「学習済みモデル」に入力し、「Ｄ１－Ｄ２」を求め、Ｄ１－Ｄ２≧０の場合は被験者がＨＣ群に属しており、Ｄ１－Ｄ２＜０の場合は被験者がＰＢ群に属していると推定する。
　次に、認知機能推定部１５６は、推定の結果に基づいて、被検者の認知機能を推定する（ステップＳ２０３）。例えば、認知機能推定部１５６は、被検者がＨＣ群に属する場合には被検者の認知機能が低下している可能性があると推定し、被検者がＰＢ群に属する場合には被検者の認知機能が正常であると推定する。認知機能推定部１５６は、被検者の食事歴との間のマハラノビス距離に基づいて被検者の認知機能を推定してもよい。
　次に、特定部１５７は、食事群推定部１５５による推定の結果に基づいて、被検者に推奨される食品を特定する（ステップＳ２０４）。例えば、被検者がＨＣ群に属している場合、特定部１５７は、食事歴テーブルＴ１から被検者のタンパク質摂取量を取得する。特定部１５７は、あらかじめ設定されている被検者のタンパク質必要量から被検者のタンパク質摂取量を減じることにより、被検者のタンパク質の不足分を算出する。特定部１５７は、あらかじめ記憶部１１に記憶された複数の食品と各食品に含まれるタンパク質量とに基づいて、食品を特定する。例えば、特定部１５７は、特定された食品に含まれるタンパク質の合計値が被検者のタンパク質の不足分を上回るように、一つまたは複数の食品を特定する。
　なお、特定部１５７は、被検者がＰＢ群に属している場合に被検者に推奨される食品を特定してもよい。また、特定部１５７は、被検者の食事歴に基づいて被検者に推奨される食品を特定してもよい。
　次に、出力部１５８は、食事群推定部１５５及び／又は認知機能推定部１５６による推定の結果を出力する（ステップＳ２０５）。出力部１５８は、推定された食事群、推定された認知機能および特定された食品を含む食事傾向出力画面Ｇ２を表示部１３に表示することにより推定の結果を出力する。以上で、推定処理が終了する。
　以上説明したように、推定装置１は、被検者の食事歴を学習済みモデルに入力することにより被検者がＨＣ群およびＰＢ群のいずれに属するかを推定する。このようにすることで、推定装置１は、被検者が複数の食事傾向群のいずれに属するかという被検者の認知機能に関する情報を提供することを可能とする。後述するように、複数の食事傾向群の間には認知機能に有意な差があるため、推定装置１により、食事歴に基づいて被検者の認知機能を推定することが可能となる。
　また、学習済みモデルは、複数の者の食事歴と各者が前記複数の食事傾向群のうちのいずれに属するかを示す情報とを関連付けた教師データに基づいて、被検者の食事歴と各食事傾向群との間のマハラノビス距離を算出する。これにより、推定装置１は、複数の者の食事歴および食事傾向群を踏まえて被検者の食事傾向群を適切に推定することを可能とする。
　推定装置１には、次に述べるような変形例が適用されてもよい。
　上述した説明では、生成処理のステップＳ１０２において、分類部１５２が複数の者をＨＣ群およびＰＢ群に分類するものとしたが、このような例に限られない。分類部１５２は、複数の者を三つ以上の食事傾向群に分類してもよい。例えば、分類部１５２は、複数の者をＨＣ群、ＰＢ群および両群の中間的な食事歴の者であることを示す中間群の三つのクラスタに分類してもよい。この場合、推定処理のステップＳ２０２において、食事群推定部１５５は、被検者が三つ以上の食事傾向群のうちのいずれに属するかを推定する。
　上述した説明では、推定処理のステップＳ２０１において、第２取得部１５４が質問画面Ｇ１を表示して食品の摂取量の入力を受け付けるものとしたが、このような例に限られない。第２取得部１５４は、被検者によって記入された質問票に基づいて食品の摂取量を取得してもよい。例えば、第２取得部１５４は、通信部１２を介してＯＣＲ（Optical Character Recognition）機能を有するスキャナから質問票に記入された情報を取得することにより、食品の摂取量を取得する。第２取得部１５４は、被検者によって記入された質問票に基づく食品の摂取量のデータを作業者の操作部１４に対する操作を介して取得してもよい。
　この場合において、質問票はＢＤＨＱ（Brief-type Self-administered Diet History Questionnaire）の質問票でもよい。ＢＤＨＱは、食品の摂取量に加えて個人特性、食行動等の記入欄を設けた質問票を用いる食事歴の調査方法である（例えば、S. Sasaki et al, Self-administered diet history questionnaire developed for health education: a relative validation of the test-version by comparison with 3-day diet record in women, Journal of Epidemiology, vol.8, no.4, p.203-215, 1998）。ＢＤＨＱでは、ＯＣＲ機能を有するスキャナにより、または作業者により、質問票に記入された食品の摂取量、個人特性、食行動等のデータが生成される。生成されたデータがＢＤＨＱの食事歴算出プログラムに入力され、被検者の食事歴、摂取カロリー、摂取タンパク質量およびＰＦＣバランスが取得される。
　また、第２取得部１５４は、被検者の食事歴として、毎食の食事内容を取得してもよい。食事内容は、例えば、料理の名称、料理に使用されている食材または食品の名称、料理のカロリー等である。食事内容は、料理を撮影した画像でもよい。第２取得部１５４は、被検者が食事内容を入力するための入力画面を表示部１３に表示することにより、毎食の食事内容を取得する。第２取得部１５４は、通信部１２を介して毎食の食事内容を示すデータを被検者の通信端末から取得してもよい。第２取得部１５４は、取得した食事内容をあらかじめ記憶された変換プログラムに入力することにより、被検者の食事歴に変換する。これにより、被検者が通信端末に毎食の食事内容を記憶させている場合に、被検者が食品の摂取量等を入力する負担が低減される。
　上述した説明では、推定処理のステップＳ２０２において用いられる「学習済みモデル」は「Ｄ１－Ｄ２」を算出するプログラムであるとしたが、このような例に限られない。学習済みモデルは、決定木でもよい。決定木は、複数の者の食事歴と各者が複数の食事傾向群のうちのいずれに属するかを示す情報とが関連付けられた教師データを用いて、ＣＡＲＴ（Classification and Regression Trees）またはＣ４．５等の学習アルゴリズムにより生成される。被検者の食事歴を取得するためにＢＤＨＱを用いる場合、ＢＤＨＱの質問票への回答には１５分程度の時間を要するため、被検者の負担が増加することがあった。決定木である学習済みモデルを用いることにより、被検者は決定木による分類に必要な質問にのみ回答することができるようになり、被検者の負担が低減される。また、決定木である学習済みモデルによる推定の過程は、マハラノビス距離の算出の過程よりも理解しやすいため、介助者等が被検者に対して食事に関するアドバイスをすることが容易になる。
　上述した説明では、推定処理のステップＳ２０３において、認知機能推定部１５６が被検者の認知機能を推定するものとしたが、このような例に限られない。認知機能推定部１５６は、フレイル、ロコモ、サルコペニア、循環器または呼吸器系の疾病、高血糖または脂質異常によるメタボリックシンドローム、うつ病、睡眠障害等の状態または発症可能性を推定してもよい。このようにすることで、食事歴に基づいて、被検者の健康を維持するための多くの情報が推定される。この場合、出力部１５８は、推定された情報を含む食事傾向出力画面Ｇ２を表示する。
　また、上述した説明では認知機能推定部１５６が推定の結果に基づいて被検者の認知機能を推定するものとしたが、このような例に限られない。認知機能推定部１５６は、被検者の食事歴に基づいて被検者の認知機能を推定してもよい。例えば、認知機能推定部１５６は、食事歴が入力された場合に認知機能を示す指標を出力するように学習された学習済みモデルを用いて被検者の認知機能を推定する。学習済みモデルは、例えば回帰モデル、決定木等であり、複数の者の食事歴と各者の認知機能を示す指標とが関連付けられた教師データを用いて学習される。このようにすることで、より高精度に被検者の認知機能を推定することができる。また、認知機能推定部１５６は、被検者の属性情報にさらに基づいて被検者の認知機能を推定してもよい。属性情報は、例えば年齢、性別、教育年数、ＢＭＩ（Body Mass Index）等である。
　また、認知機能推定部１５６は、被検者の食事歴のうち、穀類の摂取量のみに基づいて被検者の認知機能を推定してもよい。穀類は炭水化物を多く含むため、穀類の摂取量が認知機能に大きな影響を及ぼしていると考えられる。したがって、穀類の摂取量に基づいて被検者の認知機能を推定することにより、被検者の認知機能を簡易かつ高精度に推定することが可能となる。なお、穀類の摂取量に代えて、食事歴から算出される炭水化物の摂取量が用いられてもよい。
　上述した説明では、推定処理のステップＳ２０４において特定部１５７が推定の結果に基づいて被検者に推奨される食品を特定するものとしたが、このような例に限られない。特定部１５７は、被検者の食事歴に基づいて被検者に推奨される食品を特定してもよい。例えば、特定部１５７は、食事歴が入力された場合に食品を出力するように学習された学習済みモデルを用いて被検者の認知機能を推定する。学習済みモデルは、複数の者の食事歴と各者に推奨される食品とが関連付けられた教師データを用いて学習される。このようにすることで、より適切に被検者に推奨される食品を特定することができる。
　上述した説明では、推定処理のステップＳ２０５において出力部１５８によって出力される食事傾向出力画面Ｇ２は、被検者のタンパク質摂取量およびタンパク質の不足分を表示するものとしたが、このような例に限られない。食事傾向出力画面Ｇ２は、食事歴テーブルＴ１に記憶された被検者の摂取カロリーを表示してもよい。この場合、食事傾向出力画面Ｇ２は、被検者の摂取カロリーが基準量より多いか、適切か、または基準量より少ないかをさらに表示してもよい。基準量は、例えば、厚生労働省が定める「日本人の食事摂取基準」に基づく値である。
　上述した推定処理において、ステップＳ２０３およびＳ２０４のうちの一方または両方が省略されてもよい。この場合、出力部１５８によって出力される食事傾向出力画面Ｇ２は、認知機能推定領域Ｇ２２および食品提示領域Ｇ２３のうちの一方または両方を含まなくてもよい。
　上述した推定装置１の機能は、複数の装置によって実現されてもよい。例えば、推定装置１の機能は、相互に通信するサーバおよび被検者の通信端末によって実現されてもよい。この場合、推定処理において、サーバは表示部に画面を表示することに代えて、画面を表示するための表示データを通信端末に送信し、通信端末に画面を表示させる。表示データは、例えばＨＴＭＬ（Hyper Text Markup Language）データである。
（第２の実施形態）
　図８は、本発明の第２の実施形態に係る推定装置２の機能ブロック図である。推定装置１が被検者がいずれの食事傾向群に属するかを推定し、推定の結果に基づいて被検者の認知機能を推定するのに対し、推定装置２は被検者がいずれの食事傾向群に属するかを推定することなく、被検者の食事歴に基づいて被検者の認知機能を推定する。推定装置２は、処理部１５に代えて処理部２５を有する点で推定装置１と相違する。推定装置２の他の構成は推定装置１の対応する構成と同様であるため、同一の符号を付して説明を省略する。
　処理部２５は、推定装置２の動作を統括的に制御するデバイスであり、一つまたは複数のプロセッサおよびその周辺回路を備える。処理部２５は、例えばＣＰＵを備える。処理部２５は、ＧＰＵ、ＤＳＰ、ＬＳＩ、ＡＳＩＣ、ＦＰＧＡ等を備えてもよい。処理部２５は、記憶部１１に記憶されているプログラム並びに通信部１２および操作部１４からの入力に基づいて各種の処理を実行する。
　処理部２５は、第１取得部２５１、学習部２５２、第２取得部２５３、推定部２５４、特定部２５５および出力部２５６を機能ブロックとして備える。これらの各部は、処理部２５が実行するプログラムによって実現される機能モジュールである。これらの各部は、専用の処理回路として推定装置２に実装されてもよい。
　図９は、推定装置２の記憶部１１に記憶される食事歴テーブルＴ２のデータ構造の例を示す図である。食事歴テーブルＴ２は、被検者ＩＤ、食事歴、年齢、性別、教育年数、ＢＭＩ（Body Mass Index）、認知機能等を相互に関連付けて記憶する。食事歴は、複数の食品群の摂取量である。摂取量が記憶される食品群は、例えば、穀類、豆類、緑黄色野菜類、他の野菜類、魚介類、肉類および卵類の七種の食品群である。年齢、性別、教育年数およびＢＭＩは被検者の属性情報の一例である。認知機能は、各者の認知機能を示す指標であり、各種認知機能検査で得られる数値であればよい。例えば、認知機能は、あたまの健康チェック（登録商標）によるＭＰＩ（Memory Performance Index）や、ＣｏｇｎｉｔｒａｘによるＮＣＩ（Neurocognition Index）等でもよい。ＭＰＩは、認知機能の１つである記憶機能を測定するための指標である。
　食事歴テーブルＴ２に記憶されるデータのうち、年齢、性別、教育年数、ＢＭＩおよび認知機能のデータは、複数の者に対する調査または検査によりあらかじめ取得される。
　図１０は、推定装置２によって実行される学習処理の流れの例を示すフロー図である。学習処理は、被検者の認知機能を推定するために用いられる学習済みモデルを生成する処理である。学習処理は、食事歴テーブルＴ２が記憶部１１に記憶された状態で実行される。学習処理は、処理部２５がプログラムに基づいて推定装置２の他の構成と協働することにより実現される。
　最初に、推定装置２の第１取得部２５１は、食事歴テーブルＴ２から、複数の者の食事歴、年齢、性別、教育年数、ＢＭＩおよび認知機能を教師データとして取得する（ステップＳ３０１）。
　次に、学習部２５２は、取得した教師データを用いて、被検者の食事歴、年齢、性別、教育年数およびＢＭＩが入力された場合に被検者の認知機能を出力するように学習モデルを学習させることにより、学習済みモデルを生成する（ステップＳ３０２）。学習モデルは、例えばニューラルネットワークである。この場合、学習部２５２は、複数の者の食事歴、年齢、性別、教育年数およびＢＭＩを学習済みモデルに入力した場合の学習済みモデルの出力と各者の認知機能との間の誤差が小さくなるように学習モデルのパラメータを更新することにより、学習モデルを学習させる。誤差は、例えば平均二乗誤差である。誤差は、平均二乗誤差の平方根、平均二乗対数誤差、パーセント誤差等でもよい。パラメータは、例えば最急降下法、確率的勾配降下法等の勾配降下法により更新される。学習部２５２は、生成された学習済みモデルを記憶部１１に記憶する。以上で、学習処理が終了する。
　なお、第２の実施形態における「学習済モデル」は、予め生成されて記憶部１１に記憶されるようにしても良い。この場合、推定装置２は学習部２５３を必ずしも有していなくて良い。また、第２の実施形態における「学習済モデル」は、推定装置２以外の外部装置等（例えば、サーバー）に記憶されて、推定装置２から外部装置等にアクセスすることによって、利用可能なように構成しても良い。
　図１１は、推定装置２によって実行される推定処理の流れの例を示すフロー図である。推定処理は、被検者の認知機能を推定する処理である。推定処理は、被検者の食事歴、年齢、性別、教育年数およびＢＭＩが入力された場合に被検者の認知機能を出力するように学習された学習済みモデルが記憶部１１に記憶された状態で実行される。学習処理は、処理部２５がプログラムに基づいて推定装置２の他の構成と協働することにより実現される。
　最初に、推定装置２の第２取得部２５３は、被検者の食事歴、年齢、性別、教育年数およびＢＭＩを取得する（ステップＳ４０１）。例えば、第２取得部２５３は、推定処理のステップＳ２０１と同様にして被検者の食事歴を取得する。また、第２取得部２５３は、被検者が年齢、性別、教育年数およびＢＭＩを入力するための画面（不図示）を表示部１３に表示し、年齢、性別、教育年数およびＢＭＩの入力を受け付けることにより、被検者の年齢、性別、教育年数およびＢＭＩを取得する。
　次に、推定部２５４は、被検者の食事歴、年齢、性別、教育年数およびＢＭＩを学習済みモデルに入力することにより、被検者の認知機能を推定する（ステップＳ４０２）。推定部２５４は、被検者の食事歴、年齢、性別、教育年数およびＢＭＩを学習済みモデルに入力することにより、被検者の認知機能を推定する。
　次に、特定部２５５は、被検者に推奨される食品を特定する（ステップＳ４０３）。特定部２５５は、推定処理のステップＳ２０４において被検者がＨＣ群に属している場合と同様にして、被検者に推奨される食品を特定する。
　次に、出力部２５６は、推定の結果を出力する（ステップＳ４０４）。出力部２５６は、推定された被検者の認知機能と特定された被検者に推奨される食品とを含む画面を表示部１３に表示することにより推定の結果を出力する。以上で、推定処理が終了する。
　以上説明したように、推定装置２は、被検者の食事歴、年齢、性別、教育年数およびＢＭＩが入力された場合に被検者の認知機能を出力するように学習された学習済みモデルを用いて被検者の認知機能を推定する。後述するように、複数の食事傾向群の間には認知機能に有意な差があるため、被検者の食事歴と認知機能との間には一定の相関がある。一方で、被検者を複数の食事傾向群に分類することにより、被検者の食事歴に含まれていた、認知機能に関係する特徴量が失われる可能性がある。推定装置２は、被検者を複数の食事傾向群に分類することなく被検者の認知機能を推定することにより、被検者の認知機能を高精度に推定し、被検者の認知機能に関する情報を提供することを可能とする。
　上述した説明では、学習済みモデルは被検者の食事歴、年齢、性別、教育年数およびＢＭＩが入力された場合に被検者の認知機能を出力するように学習されるものとしたが、このような例に限られない。学習済みモデルの入力は、被検者の食事歴、年齢、性別、教育年数およびＢＭＩのうちの一部のみでもよい。例えば、学習済みモデルは被検者の食事歴が入力された場合に被検者の認知機能を出力するように学習されてもよい。被検者の食事歴と認知機能との間には一定の相関があるから、この場合も、被検者の認知機能を推定することが可能となる。
　上述した説明では、学習済みモデルに入力される被検者の食事歴は七種の食品群の摂取量であるものとしたが、このような例に限られず、被検者の食事歴は七種より多い種類の食品群の摂取量でもよく、少ない種類の食品群の摂取量でもよい。例えば、被検者の食事歴は、穀類、イモ類、砂糖類、豆類、緑黄色野菜類、他の野菜類、果実類、魚介類、肉類、卵類、乳類、油脂類、菓子類、嗜好飲料類および調味料類の十五種の食品群の摂取量でもよい。このようにしても、被検者の認知機能を推定することができる。また、被検者の食事歴は、七種の食品群のうちの一部の食品群の摂取量でもよい。後述するように、これらの七種の食品群の摂取量に基づいて被検者をＨＣ群とＰＢ群とに分類可能であるため、これらの七種の食品群のそれぞれの摂取量と認知機能との間には一定の相関があると考えられる。したがって、七種より少ない種類の食品群の摂取量に基づいて、被検者の認知機能を推定することが可能となる。また、食品群の分類方法は上述した例に限られず、より細かい分類またはより大きい分類でもよい。例えば、肉類という分類に代えて、鶏肉、豚肉、牛肉、その他の肉等の分類が用いられてもよい。
　上述した説明では、食品群の摂取量は所定量の摂取カロリーに対する各食品群に起因する摂取カロリーの量であるものとしたが、このような例に限られない。食品群の摂取量は、所定期間に被検者が摂取した、各食品群に属する食品の重量としてもよい。これにより、食品群の摂取量を算出するために複雑な摂取量算出プログラムを用いる必要がなくなるため、被検者の認知機能を容易に推定することが可能となる。
　当業者は、本発明の範囲から外れることなく、様々な変更、置換及び修正をこれに加えることが可能であることを理解されたい。例えば、上述した実施形態及び変形例は、本発明の範囲において、適宜に組み合わせて実施されてもよい。
（食品群の摂取量とＨＣ群及びＰＢ群との相関等）
　ＢＤＨＱ法を用いて、１５０人の高齢者の穀類、イモ類、砂糖類、豆類、緑黄色野菜類、他の野菜類、果実類、魚介類、肉類、卵類、乳類、油脂類、菓子類、嗜好飲料類および調味料類の十五種類の食品群の摂取量を調査した。また、ＭｏＣＡ法を用いてこの１５０人の高齢者の認知機能を測定した。
　ｋ－平均法を用いて、調査した食事歴を複数のクラスタに分類した。エルボー法を用いて最適なクラスタ数を決定するために、複数のクラスタの重心点と各クラスタに含まれる各点との間の距離の二乗和を算出した。図１２は、クラスタ数と距離の二乗和との関係を示す図である。図１２によれば、クラスタ数が１から２に増加したときの距離の二乗和の減少幅が最も大きいため、クラスタ数を２に決定した。
　二つのクラスタのうち、穀類の摂取量が多いクラスタをＨＣ群とし、他方のクラスタをＰＢ群とした。ｋ－平均法による分類は、初期値を変更させて複数回実行され、ＨＣ群とＰＢ群とに含まれる高齢者の間の認知機能の差が最も大きくなる分類結果が採用された。図１３は、採用された分類結果においてＨＣ群とＰＢ群とのそれぞれに含まれる高齢者の年齢、教育年数、ＢＭＩおよびＭｏＣＡ法によって測定された認知機能の中央値および四分位範囲を示す図である。図１３に示すように、ＨＣ群に含まれる高齢者とＰＢ群に含まれる高齢者との間における認知機能の差を示すｐ値は０．０３１であり、両群に含まれる高齢者の間で認知機能に有意な差があった。
　図１４は、ＨＣ群とＰＢ群とのそれぞれに含まれる高齢者の各食品群の摂取量の中央値および四分位範囲を示す図である。図１４に示されるように、十五種類の食品群のうち、穀類、豆類、緑黄色野菜類、他の野菜類、魚介類、肉類、卵類の摂取量において、ＨＣ群に含まれる高齢者とＰＢ群に含まれる高齢者との間の差を示すｐ値は０．００１以下であり、これらの食品群の摂取量に有意な差があった。したがって、これらの七種の食品群の摂取量と、被検者がＨＣ群およびＰＢ群のいずれに属するかとについて、相関があることが確認された。また、これらの七種の食品群の摂取量と、被検者の認知機能とについて、相関があることが確認された。
（炭水化物の摂取量と認知機能との相関）
　図１５は、１５０名の高齢者に対する重回帰分析によって得られた各説明変数の偏回帰計数、標準偏回帰計数、ｐ値、ＶＩＦ（Variance Inflation Factor）を示す図である。１５０名の高齢者に関するデータは、実施例１で用いたものであって、高齢者のＭＰＩを目的変数とし、炭水化物、タンパク質、脂質および灰分の四大栄養素の摂取量、性別、年齢、教育年数並びにＢＭＩを説明変数として、ステップワイズ法による重回帰分析したものである。図１５では、説明変数のうち、目的変数に対する有意性が示された説明変数のみを示している。
　図１６は、２６７名の高齢者に対する重回帰分析によって得られた各説明変数の偏回帰計数、標準偏回帰計数、ｐ値、ＶＩＦを示す図である。２６７名の高齢者に関するデータは、実施例１の評価１で用いたものであって、高齢者のＭＰＩを目的変数とし、炭水化物、タンパク質、脂質および灰分の四大栄養素の摂取量、性別、年齢、教育年数並びにＢＭＩを説明変数として、ステップワイズ法による重回帰分析したものである。図１６では、説明変数のうち、目的変数に対する有意性が示された説明変数のみを示している。
　重回帰分析により、炭水化物摂取量のｐ値は０．０５以下であり、炭水化物摂取量とＭＰＩとの間に有意な関係があることが確認された。また、炭水化物摂取量の標準偏回帰計数は負の値であり、炭水化物摂取量とＭＰＩとの間に負の相関があることが確認された。したがって、炭水化物の摂取量、またはこれに強い相関を有する穀類の摂取量に基づいて、被検者の認知機能を推定することが可能であると確認された。
　また、図１５及び図１６において、教育年数および年齢のｐ値は０．０５以下であり、教育年数、性別および年齢とＭＰＩとの間に有意な関係があることが確認された。また、図１６において、性別のｐ値は０．０５以下であり、性別とＭＰＩとの間に有意な関係があることが確認された。したがって、被検者の教育年数、性別および年齢を含む被検者の属性に基づいて、被検者の認知機能を推定することが可能であると確認された。
（フレイルとＨＣ群及びＰＢ群との相関）
　図１７は、３８５名の高齢者に対する重回帰分析によって得られた各説明変数の偏回帰計数、標準偏回帰計数、ｐ値、ＶＩＦを示す図である。高齢者のフレイルスコアを目的変数とし、食事パターン（ＨＣ群又はＰＢ群）、性別、年齢を説明変数として、ステップワイズ法による重回帰分析したものである。図１７では、説明変数のうち、目的変数に対する有意性が示された説明変数のみを示している。
　重回帰分析により、食事パターンのｐ値は０．０５以下であり、フレイルスコアと食パターンとの間に有意な関係があることが確認された。また、食パターンの標準偏回帰計数は負の値であり、フレイルスコアと食事パターンとの間に負の相関があることが確認された。したがって、食事パターンに基づいて、被検者のフレイルスコアを推定することが可能であると確認された。
　上記より、実施形態２に示したように、ニューラルネットワーク等により構成され、被検者の食事歴が入力された場合に、被検者のフレイルスコアを出力するように学習された学習済みモデルを構成することが可能となる。すなわち、被検者の食事歴が入力された場合に、被検者のフレイルスコアを出力するように学習された学習済みモデルを利用した、推定装置、推定方法、及び、プログラムを構築することが可能である。
（筋肉量とＨＣ群及びＰＢ群との相関）
　図１８は、３８５名の高齢者に対する重回帰分析によって得られた各説明変数の偏回帰計数、標準偏回帰計数、ｐ値、ＶＩＦを示す図である。高齢者の筋肉量を目的変数とし、食事パターン（ＨＣ群又はＰＢ群）、性別、年齢を説明変数として、ステップワイズ法による重回帰分析したものである。図１８では、説明変数のうち、目的変数に対する有意性が示された説明変数のみを示している。ここで、筋肉量（ＳＭＩ：骨格筋肉指数）は、四肢筋肉量の合計を身長（ｍ）の２乗で割った値とする。
　重回帰分析により、食事パターンのｐ値は０．０５以下であり、筋肉量（ＳＭＩ）と食パターンとの間に有意な関係があることが確認された。また、食パターンの標準偏回帰計数は正の値であり、筋肉量（ＳＭＩ）と食事パターンとの間に正の相関があることが確認された。したがって、食事パターンに基づいて、被検者の筋肉量（ＳＭＩ）を推定することが可能であると確認された。
　上記より、実施形態２に示したように、ニューラルネットワーク等により構成され、被検者の食事歴が入力された場合に、被検者の筋肉量を出力するように学習された学習済みモデルを構成することが可能となる。すなわち、被検者の食事歴が入力された場合に、被検者の筋肉量を出力するように学習された学習済みモデルを利用した、推定装置、推定方法、及び、プログラムを構築することが可能である。
　実施例１では、第１の実施形態に係る「学習済モデル」に入力される食事歴を、穀類、豆類、緑黄色野菜、その他の野菜、魚介類、肉類、卵類の七種とした。また、推定を行う標本Ｘにおける穀類、豆類、緑黄色野菜、その他の野菜、魚介類、肉類、卵類の1000 kcalあたりのエネルギー平均摂取量の値をそれぞれ、ｘ１、ｘ２、ｘ３、ｘ４、ｘ５、ｘ６、ｘ７とした。最初に、ＢＤＨＱ法を用いて１５０人の高齢者の穀類、豆類、緑黄色野菜類、他の野菜類、魚介類、肉類、卵類の七種の食品群の摂取量を調査した。次に、１５０人の高齢者がＨＣ群及びＰＢ群の何れに属するかについて、ｋ－平均法を用いて推定した。次に、１５０人の高齢者の食事歴と各高齢者がＨＣ群及びＰＢ群の何れに属するかを示すデータに基づいて、食事歴テーブルＴ１を作成した。すなわち、食事歴テーブルＴ１が、第１の実施形態に係る「学習済モデル」の教師データとなる。
　食事歴テーブルＴ１の各データから算出されるＨＣ群だけの穀類、豆類、緑黄色野菜、その他の野菜、魚介類、肉類、卵類の1000 kcalあたりのエネルギー平均摂取量の値は、ｍ１=402.9、ｍ２=38.7、ｍ３=19.1、ｍ４=23.4、ｍ５=77.3、ｍ６=74.0、ｍ７=33.9であった。同様に、上記の食事歴テーブルＴ１の各データから算出されるＰＢ群だけの穀類、豆類、緑黄色野菜、その他の野菜、魚介類、肉類、卵類の1000 kcalあたりのエネルギー平均摂取量の値は、ｎ１=224.3、ｎ２=53.2、ｎ３=26.1、ｎ４=32.0、ｎ５=132.0、ｎ６=100.6、ｎ７=45.7であった。
　以上より、ＨＣ群の中心からのマラハビノスの距離の２乗（Ｄ１２）は以下の式（１）の様に定義される。
　Ｄ１２＝（ｘ１－ｍ１、ｘ２－ｍ２、ｘ３―ｍ３、ｘ４－ｍ４、ｘ５―ｍ５、ｘ６―ｍ６、ｘ７―ｍ７）・ＳＡ－１・（ｘ１－ｍ１、ｘ２－ｍ２、ｘ３―ｍ３、ｘ４－ｍ４、ｘ５―ｍ５、ｘ６―ｍ６、ｘ７―ｍ７）Ｔ・・・（１）
　同様に、ＰＢ群の中心からのマラハビノスの距離の２乗（Ｄ２２）は以下の式（２）の様に定義される。
　Ｄ２２＝（ｘ１－ｎ１、ｘ２－ｎ２、ｘ３―ｎ３、ｘ４－ｎ４、ｘ５―ｎ５、ｘ６―ｎ６、ｘ７―ｎ７）・ＳＢ－１・（ｘ１－ｎ１、ｘ２－ｎ２、ｘ３―ｎ３、ｘ４－ｎ４、ｘ５―ｎ５、ｘ６―ｎ６、ｘ７―ｎ７）Ｔ・・・（２）
　図１９は、上記の食事歴テーブルＴ１の各データから算出される不偏分散共分散行列ＳＡおよびＳＢの一例を示す図である。図１９に示す不偏分散共分散行列ＳＡおよびＳＢ並びに上記の式（１）及び（２）に基づいて、推定を行う標本Ｘにおける穀類、豆類、緑黄色野菜、その他の野菜、魚介類、肉類、卵類の1000 kcalあたりのエネルギー平均摂取量の値（ｘ１、ｘ２、ｘ３、ｘ４、ｘ５、ｘ６、ｘ７）から「Ｄ１―Ｄ２」を算出するプログラムである「学習済モデル」を生成した。
（実施例１の評価１）
　最初に、ＢＤＨＱ法を用いて新たに２６７人の一般高齢者（認知機能および記憶機能の低下が見られない高齢者をいう。）の穀類、豆類、緑黄色野菜類、他の野菜類、魚介類、肉類および卵類の七種の食品群の摂取量を調査した。次に、これらを入力データとして、上記の「学習済モデル」を用いて、上記の２６７人の高齢者をＨＣ群およびＰＢ群に分類した。次に、分類された各グループ属する高齢者の年齢、教育年齢、ＢＭＩ、ＭＰＩの取得及び測定を行った。
　図２０は、ＨＣ群とＰＢ群とのそれぞれに分類された２６７人の高齢者の年齢、教育年数、ＢＭＩおよび、ＭＰＩの中央値および四分位範囲を示す図である。図２０に示すように、ＨＣ群に含まれる一般高齢者とＰＢ群に含まれる高齢者との間におけるＭＰＩの差を示すｐ値は０．０２６であり、両群に含まれる高齢者の間で記憶機能に有意な差があった。
　共分散分析により、両群に分類された一般高齢者の年齢、性別、教育年数、ＢＭＩの差の影響を除いた場合のＭＰＩのｐ値は０．０２９であり、この場合も、両群に含まれる高齢者の間で記憶機能に有意な差があった。
　このように、実施例１で生成した「学習済モデル」を用いて、被検者の食事歴に基づいて被検者を記憶機能に有意な差がある複数の食事傾向群のうちのいずれに属するかを推定することが可能であると確認された。
（実施例１の評価２）
　最初に、ＢＤＨＱ法を用いて８０人の記憶機能低下傾向高齢者の食品群の摂取量を調査した。次に、これらを入力データとして、上記の「学習済モデル」を用いて、上記の８０人の高齢者をＨＣ群およびＰＢ群に分類した。次に、分類された各グループ属する高齢者の年齢、教育年齢、ＢＭＩ、ＭＰＩ（Memory Performance Index）の取得及び測定を行った。
　図２１は、ＨＣ群とＰＢ群とのそれぞれに分類された８０人の高齢者の年齢、教育年数、ＢＭＩ、ＮＣＩおよびＭＰＩの中央値および四分位範囲を示す図である。図２１に示すように、ＨＣ群に含まれる高齢者とＰＢ群に含まれる高齢者との間におけるＮＣＩの差を示すｐ値は０．０１６であり、両群に含まれる高齢者の間で認知機能に有意な差があった。下記の表に示すように、ＨＣ群に含まれる高齢者とＰＢ群に含まれる高齢者との間におけるＭＰＩの差を示すｐ値は０．０１６であり、両群に含まれる高齢者の間で記憶機能に有意な差があった。
　共分散分析により、両群に分類された一般高齢者の年齢、性別、教育年数、ＢＭＩの差の影響を除いた場合のＮＣＩのｐ値は０．０４９であり、両群に含まれる高齢者の間で認知機能により顕著な差があることが確認された。また、共分散分析により、両群に分類された一般高齢者の年齢、性別、教育年数、ＢＭＩの差の影響を除いた場合のＭＰＩのｐ値は０．０３３であり、両群に含まれる高齢者の間で記憶機能により顕著な差があることが確認された。
　このように、実施例１で生成した「学習済モデル」を用いて、被検者の食事歴に基づいて被検者を認知機能および記憶機能に有意な差がある複数の食事傾向群のうちのいずれに属するかを推定することが可能であると確認された。
　実施例２では、第２の実施形態に係る「学習済モデル」を、ニューラルネットワークを用いて構成した。ニューラルネットワークは、入力層、バッチ正規化層、隠れ層および出力層を有しており、隠れ層はそれぞれ３００個のノードを有する７層の全結合層を含んでいた。各ノードの活性化関数は、ＲｅＬＵ関数であった。また、隠れ層に含まれる全結合層のそれぞれにおいてバッチ正規化を行った。
　実施例１の評価１で用いた２６７名の高齢者のデータのうちの７０％を教師データとして、上記のニューラルネットワークの１００回に渡る学習を行った。学習はニューラルネットワークの出力と認知機能との二乗誤差が小さくなるように行い、上記ニューラルネットワークを用いた学習済モデルを生成した。すなわち、「学習済モデル」の入力は、推定を行う標本Ｘにおける穀類、豆類、緑黄色野菜、その他の野菜、魚介類、肉類、卵類の1000 kcalあたりのエネルギー平均摂取量の値、及び、年齢、性別、教育年数、ＢＭＩ（ｘ１、ｘ２、ｘ３、ｘ４、ｘ５、ｘ６、ｘ７、ｘ８、ｘ９、ｘ１０、ｘ１１）であり、出力は標本Ｘに対応する認知機能を示すＭＰＩの値（０～１００）である。
　実施例１の評価１で用いた２６７名の高齢者のデータのうちの残りの３０％を評価用データとして、実施例２として生成された「学習済モデル」の性能評価を行った。
　図２２は、実施例２として生成された「学習済モデル」の性能評価の結果を示す図である。図２２のグラフの横軸は予め測定された認知機能を示すＭＰＩであり、縦軸は「学習済モデル」の出力である。図２２において、ＭＰＩと「学習済モデル」の出力との間のスピアマンの順位相関係数は０．５０であり、ｐ値は０．００１未満であった。したがって、実施例２として生成された「学習済モデル」を用いた場合、入力として七種類の食品群の摂取量の値、及び、年齢、性別、教育年数、ＢＭＩを用いて、被検者の認知機能を推定することが可能とであると確認された。
　実施例３では、第２の実施形態に係る「学習済モデル」を、ニューラルネットワークを用いて構成した。ニューラルネットワークは、実施例３と同様の構成を有するように構成した。
　実施例１の評価１で用いた２６７名の高齢者のデータのうちの７０％を教師データとして、上記のニューラルネットワークの１００回に渡る学習を行った。学習はニューラルネットワークの出力と認知機能との二乗誤差が小さくなるように行い、上記ニューラルネットワークを用いた学習済モデルを生成した。すなわち、「学習済モデル」の入力は、推定を行う標本Ｘにおける鶏肉、牛肉および豚肉、魚、飯、パンの1000 kcalあたりのエネルギー平均摂取量の値、及び、年齢、性別、教育年数、ＢＭＩ（ｘ１、ｘ２、ｘ３、ｘ４、ｘ５、ｘ６、ｘ７、ｘ８、ｘ９）であり、出力は標本Ｘに対応する認知機能を示すＭＰＩの値（０～１００）である。
　実施例１の評価１で用いた２６７名の高齢者のデータのうちの残りの３０％を評価用データとして、実施例３として生成された「学習済モデル」の性能評価を行った。
　図２３は、実施例３として生成された「学習済モデル」の性能評価の結果を示す図である。図２３のグラフの横軸は予め測定された認知機能を示すＭＰＩであり、縦軸は「学習済モデル」の出力である。図２３において、ＭＰＩと「学習済モデル」の出力との間のスピアマンの順位相関係数は０．５２であり、ｐ値は０．００１未満であった。したがって、実施例３として生成された「学習済モデル」を用いた場合、七種より少ない食品群の摂取量を用いて学習された学習済みモデルが用いられた場合も、被検者の認知機能を推定することが可能とであると確認された。また、食品群の摂取量として、所定期間に被検者が摂取した各食品群に属する食品の重量が用いられた場合も、被検者の認知機能を推定することが可能であると確認された。
　実施例４では、第２の実施形態に係る「学習済モデル」を、ニューラルネットワークを用いて構成した。図２４に、構成したニューラルネットワーク３０を示す。は、ニューラルネットワーク３０は、入力層３１、バッチ正規化層３２、中間層３３、及び、出力層３４を有しており、中間層３３はそれぞれ３００個のノードを有する１０層の全結合層を含んでいた。各ノードの活性化関数は、ＲｅＬＵ関数であった。また、中間層３３に含まれる全結合層のそれぞれにおいてバッチ正規化を行った。
　実施例１の（フレイルとＨＣ群およびＰＢ群との相関）および（筋肉量とＨＣ群およびＰＢ群との相関）の評価で用いた３８５名の高齢者のデータのうちの２１８名を教師データとして、上記のニューラルネットワークの１００回に渡る学習を行った。学習はニューラルネットワークの出力と認知機能との二乗誤差が小さくなるように行い、上記ニューラルネットワークを用いた学習済モデルを生成した。すなわち、「学習済モデル」の入力は、推定を行う標本Ｘにおける動物性タンパク質、植物性タンパク質、炭水化物、ナトリウム、カリウム、カルシウム、マグネシウム、レチノール当量、ビタミンD、ビタミンK、ビタミンC、飽和脂肪酸、一価不飽和脂肪酸、多価不飽和脂肪酸、コレステロール、水溶性食物繊維、不溶性食物繊維、ショ糖の1000 kcalあたりの平均摂取量の値、及び、年齢、性別、教育年数、ＢＭＩ（ｘ１、ｘ２、ｘ３、ｘ４、ｘ５、ｘ６、ｘ７、ｘ８、ｘ９、ｘ１０、ｘ１１、ｘ１２、ｘ１３、ｘ１４、ｘ１５、ｘ１６、ｘ１７、ｘ１８、ｘ１９、ｘ２０、ｘ２１、ｘ２２）であり、出力は標本Ｘに対応する認知機能を示すＭＰＩの値（０～１００）である。
　３８５名の高齢者のデータのうちの９３名をハイパーパラメータ調整用の検証データとして使用し、実施例４として生成された「学習済モデル」の過学習を防ぐためにハイパーパラメータの調整を行った。
　３８５名の高齢者のデータのうちの７４名を評価用データとして、実施例４として生成された「学習済モデル」の性能評価を行った。
　図２５は、実施例４として生成された「学習済モデル」の性能評価の結果を示す図である。図２５のグラフの横軸は予め測定された認知機能を示すＭＰＩであり、縦軸は「学習済モデル」の出力である。図２５において、ＭＰＩと「学習済モデル」の出力との間のスピアマンの順位相関係数は０．５０３であり、ｐ値は０．００１未満であった。したがって、実施例４として生成された「学習済モデル」を用いた場合、入力として十八種類の栄養素の摂取量の値、及び、年齢、性別、教育年数、ＢＭＩを用いて、被検者の認知機能を推定することが可能とであると確認された。
　当業者は、本発明の範囲から外れることなく、様々な変更、置換及び修正をこれに加えることが可能であることを理解されたい。例えば、上述した実施形態及び変形例は、本発明の範囲において、適宜に組み合わせて実施されてもよい。

Claims (19)

  1. 　被検者の食事歴が入力された場合に、当該被検者があらかじめ設定された高穀物食群および高たんぱく質バランス食群を含む複数の食事傾向群のうちのいずれに属するかに関する情報を出力するように学習された学習済みモデルを記憶する記憶部と、
    　被検者の食事歴を取得する取得部と、
    　前記取得された食事歴を前記学習済みモデルに入力することにより、被検者が前記複数の食事傾向群のうちのいずれに属するかを推定する推定部と、
    　を有することを特徴とする推定装置。
  2. 　前記被検者の食事歴は、穀類、豆類、緑黄色野菜類、他の野菜類、魚介類、肉類、卵類の摂取量を含む、
    　請求項１に記載の推定装置。
  3. 　前記被検者の食事歴は、ＢＤＨＱ（Brief-type Self-administered Diet History Questionnaire）により取得される、
    　請求項１に記載の推定装置。
  4. 　前記複数の食事傾向群は、高穀物食群および高たんぱく質バランス食群の二つの食事傾向群からなる、
    　請求項１に記載の推定装置。
  5. 　前記学習済みモデルは、複数の者の食事歴と各者が前記複数の食事傾向群のうちのいずれに属するかを示す情報とを関連付けた教師データに基づいて、入力された食事歴と各食事傾向群との間のマハラノビス距離を出力する、
    　請求項１に記載の推定装置。
  6. 　前記教師データは、前記複数の者の食事歴に対してｋ－平均法を適用し、各者を前記複数の食事傾向群に分類することにより生成される、
    　請求項５に記載の推定装置。
  7. 　前記推定の結果に基づいて、被検者の認知機能を推定する推定部をさらに有する、
    　請求項１に記載の推定装置。
  8. 　前記推定の結果に基づいて、被検者に推奨される食品を特定する特定部をさらに有する、
    　請求項１に記載の推定装置。
  9. 　被検者の食事歴が入力された場合に、当該被検者があらかじめ設定された、高穀物食群および高たんぱく質バランス食群を含む複数の食事傾向群のうちのいずれに属するかに関する情報を出力するように学習された学習済みモデルを記憶し、
    　被検者の食事歴を取得し、
    　前記取得された食事歴を前記学習済みモデルに入力することにより、被検者が前記複数の食事傾向群のうちのいずれに属するかを推定する、
    　ことを含むことを特徴とする推定方法。
  10. 　被検者の食事歴が入力された場合に、当該被検者があらかじめ設定された、高穀物食群および高たんぱく質バランス食群を含む複数の食事傾向群のうちのいずれに属するかに関する情報を出力するように学習された学習済みモデルを記憶するコンピュータのプログラムであって、
    　被検者の食事歴を取得し、
    　前記取得された食事歴を前記学習済みモデルに入力することにより、被検者が前記複数の食事傾向群のうちのいずれに属するかを推定する、
    　ことを前記コンピュータに実行させることを特徴とするプログラム。
  11. 　被検者の食事歴が入力された場合に、当該被検者の認知機能を出力するように学習された学習済みモデルを記憶する記憶部と、
    　被検者の食事歴を取得する取得部と、
    　前記取得された食事歴を前記学習済みモデルに入力することにより、被検者の認知機能を推定する推定部と、
    　を有することを特徴とする推定装置。
  12. 　被検者の食事歴が入力された場合に、当該被検者の認知機能を出力するように学習された学習済みモデルを記憶し、
    　被検者の食事歴を取得し、
    　前記取得された食事歴を前記学習済みモデルに入力することにより、被検者の認知機能を推定する、
    　ことを含むことを特徴とする推定方法。
  13. 　被検者の食事歴が入力された場合に、当該被検者の認知機能を出力するように学習された学習済みモデルを記憶する記憶部を有するコンピュータのプログラムであって、
    　被検者の食事歴を取得し、
    　前記取得された食事歴を前記学習済みモデルに入力することにより、被検者の認知機能を推定する、
    　ことを前記コンピュータに実行させることを特徴とするプログラム。
  14. 　被検者の食事歴が入力された場合に、当該被検者のフレイルスコアを出力するように学習された学習済みモデルを記憶する記憶部と、
    　被検者の食事歴を取得する取得部と、
    　前記取得された食事歴を前記学習済みモデルに入力することにより、被検者のフレイルスコアを推定する推定部と、
    　を有することを特徴とする推定装置。
  15. 　被検者の食事歴が入力された場合に、当該被検者のフレイルスコアを出力するように学習された学習済みモデルを記憶し、
    　被検者の食事歴を取得し、
    　前記取得された食事歴を前記学習済みモデルに入力することにより、被検者のフレイルスコアを推定する、
    　ことを含むことを特徴とする推定方法。
  16. 　被検者の食事歴が入力された場合に、当該被検者のフレイルスコアを出力するように学習された学習済みモデルを記憶する記憶部を有するコンピュータのプログラムであって、
    　被検者の食事歴を取得し、
    　前記取得された食事歴を前記学習済みモデルに入力することにより、被検者のフレイルスコアを推定する、
    　ことを前記コンピュータに実行させることを特徴とするプログラム。
  17. 　被検者の食事歴が入力された場合に、当該被検者の筋肉量を出力するように学習された学習済みモデルを記憶する記憶部と、
    　被検者の食事歴を取得する取得部と、
    　前記取得された食事歴を前記学習済みモデルに入力することにより、被検者の筋肉量を推定する推定部と、
    　を有することを特徴とする推定装置。
  18. 　被検者の食事歴が入力された場合に、当該被検者の筋肉量を出力するように学習された学習済みモデルを記憶し、
    　被検者の食事歴を取得し、
    　前記取得された食事歴を前記学習済みモデルに入力することにより、被検者の筋肉量を推定する、
    　ことを含むことを特徴とする推定方法。
  19. 　被検者の食事歴が入力された場合に、当該被検者の筋肉量を出力するように学習された学習済みモデルを記憶する記憶部を有するコンピュータのプログラムであって、
    　被検者の食事歴を取得し、
    　前記取得された食事歴を前記学習済みモデルに入力することにより、被検者の筋肉量を推定する、
    　ことを前記コンピュータに実行させることを特徴とするプログラム。
PCT/JP2024/009869 2023-03-14 2024-03-13 推定装置、推定方法およびプログラム Ceased WO2024190841A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2025506912A JPWO2024190841A1 (ja) 2023-03-14 2024-03-13

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2023039694 2023-03-14
JP2023-039694 2023-03-14

Publications (1)

Publication Number Publication Date
WO2024190841A1 true WO2024190841A1 (ja) 2024-09-19

Family

ID=92755313

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2024/009869 Ceased WO2024190841A1 (ja) 2023-03-14 2024-03-13 推定装置、推定方法およびプログラム

Country Status (2)

Country Link
JP (1) JPWO2024190841A1 (ja)
WO (1) WO2024190841A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119446424A (zh) * 2024-11-15 2025-02-14 广东省疾病预防控制中心(广东省预防医学科学院) 模型的训练方法、成品菜肴营养成分分析方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008257293A (ja) * 2007-03-30 2008-10-23 Koichiro Yuji 健康状態予測システム
JP2012165716A (ja) * 2011-02-16 2012-09-06 Infocom Corp 腸内常在菌解析情報を基にした食事支援システム
JP2013541108A (ja) * 2010-10-14 2013-11-07 アーシャ ニュートリション サイエンシーズ， インコーポレイテッド 最適化された栄養処方物、それらから目的に合わせた食事を選択するための方法、およびその使用法
JP2017084142A (ja) * 2015-10-28 2017-05-18 真理 船木 演算装置、プログラム、疾患のリスクの判定方法、および疾患の予防又は改善のための食物の決定方法
JP2018120394A (ja) * 2017-01-25 2018-08-02 株式会社リコー 診断装置、プログラム及び診断システム
WO2022092057A1 (ja) * 2020-10-26 2022-05-05 味の素株式会社 認知機能の観点から健康の要素の状態を評価する方法、情報処理装置およびプログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008257293A (ja) * 2007-03-30 2008-10-23 Koichiro Yuji 健康状態予測システム
JP2013541108A (ja) * 2010-10-14 2013-11-07 アーシャ ニュートリション サイエンシーズ， インコーポレイテッド 最適化された栄養処方物、それらから目的に合わせた食事を選択するための方法、およびその使用法
JP2012165716A (ja) * 2011-02-16 2012-09-06 Infocom Corp 腸内常在菌解析情報を基にした食事支援システム
JP2017084142A (ja) * 2015-10-28 2017-05-18 真理 船木 演算装置、プログラム、疾患のリスクの判定方法、および疾患の予防又は改善のための食物の決定方法
JP2018120394A (ja) * 2017-01-25 2018-08-02 株式会社リコー 診断装置、プログラム及び診断システム
WO2022092057A1 (ja) * 2020-10-26 2022-05-05 味の素株式会社 認知機能の観点から健康の要素の状態を評価する方法、情報処理装置およびプログラム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MOTOKAWA KEIKO: "Food and nutrition for older adults to prevent frailty sarcopenia", NIHON RONEN IGAKKAI ZASSHI - JAPANESE JOURNAL OF GERIATRICS, NIHON RONEN IGAKKAI, TOKYO, JP, vol. 58, no. 4, 25 October 2021 (2021-10-25), JP , pages 550 - 555, XP093209084, ISSN: 0300-9173, DOI: 10.3143/geriatrics.58.550 *
TOMOYUKI OHARA, TOSHIHARU NINOMIYA: "Prevention of dementia: the HISAYAMA Study", JAPANESE JOURNAL OF CLINICAL MEDICINE, NIPPON-RINSHO CO., OSAKA., JP, vol. 76, no. Special issue 1, 20 January 2018 (2018-01-20), JP , pages 182 - 187, XP009557312, ISSN: 0047-1852 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119446424A (zh) * 2024-11-15 2025-02-14 广东省疾病预防控制中心(广东省预防医学科学院) 模型的训练方法、成品菜肴营养成分分析方法及装置

Also Published As

Publication number Publication date
JPWO2024190841A1 (ja) 2024-09-19

Similar Documents

Publication Publication Date Title
Wang et al. Trends in consumption of ultraprocessed foods among US youths aged 2-19 years, 1999-2018
KR102024373B1 (ko) 대사이상 질환의 질병 위험도를 예측하는 장치 및 방법
JP7203473B1 (ja) プログラム、情報処理方法及び情報処理装置
JP2018124702A (ja) 病因分析装置および疾病予測装置
Martinez-Perez et al. Integrative development of a short screening questionnaire of highly processed food consumption (sQ-HPF)
US20140316220A1 (en) Personal Health Monitoring System
JP6705089B2 (ja) ヘルスチューニング支援システム
JP7828079B2 (ja) 被験者の健康度を計測するための方法、装置、プログラム、およびシステム
JP2019021146A (ja) 高齢者の低栄養又はフレイルの予測方法
KR102827716B1 (ko) 여성 독거노인의 우울증 위험도 예측 장치, 여성 독거노인의 우울증 위험도 예측 방법 및 기록 매체에 저장된 프로그램
CN105279362A (zh) 个人健康监视系统
JP2022091963A (ja) 健康管理システム
KR20190063954A (ko) 인공지능 클라우드 영양소 변화 예측 방법과 인공지능 클라우드 영양소 대사량 측정 방법 및 그를 사용하는 질병관리 방법
CN111816280A (zh) 一种基于饮食行为的疾病预测的模型构建方法及系统
Wei et al. Perceptual and attitudinal body image, disordered eating, and muscle-building behavior in college men.
JP7692907B2 (ja) 生活習慣スコアリングシステム及び方法
US20240177826A1 (en) Generating personalized food guidance using predicted hunger
JP2024539883A (ja) 間欠絶食のための個別化された栄養推奨を提供するためのシステム及び方法
JP2024531667A (ja) 前糖尿病のためのデジタルかつパーソナライズされたリスク監視及び栄養計画システム
Martín Payo et al. Adherence to healthy diet and physical activity in clinical patients
WO2023013722A1 (ja) プログラム、情報処理方法及び情報処理装置
US10832172B1 (en) Systems and methods for arranging transport of adapted nutrimental artifacts with user-defined restriction requirements using artificial intelligence
JP7405352B2 (ja) 認知機能改善ソリューション推定システム、認知機能改善ソリューション推定方法及びプログラム
Guendelman et al. Birthplace, language use, and body size among Mexican American women and men: findings from the National Health and Nutrition Examination Survey (NHANES) 2001–2006
Sitparoopan et al. Home bridge-smart elderly care system

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: 24770945

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2025506912

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 2025506912

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 24770945

Country of ref document: EP

Kind code of ref document: A1