WO2026009558A1 - 疾患発症リスク予測装置、予測マーカー、予測方法、プログラム、及び記録媒体 - Google Patents

疾患発症リスク予測装置、予測マーカー、予測方法、プログラム、及び記録媒体

Info

Publication number
WO2026009558A1
WO2026009558A1 PCT/JP2025/016739 JP2025016739W WO2026009558A1 WO 2026009558 A1 WO2026009558 A1 WO 2026009558A1 JP 2025016739 W JP2025016739 W JP 2025016739W WO 2026009558 A1 WO2026009558 A1 WO 2026009558A1
Authority
WO
WIPO (PCT)
Prior art keywords
disease
prediction
risk
related information
lung cancer
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.)
Pending
Application number
PCT/JP2025/016739
Other languages
English (en)
French (fr)
Inventor
光佑 安田
信太郎 加藤
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.)
NEC Solution Innovators Ltd
Original Assignee
NEC Solution Innovators 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 NEC Solution Innovators Ltd filed Critical NEC Solution Innovators Ltd
Publication of WO2026009558A1 publication Critical patent/WO2026009558A1/ja
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Definitions

  • lung cancer can develop even in non-smokers. Furthermore, even non-smokers may have smoked in the past, making it difficult to accurately determine smoking status. Therefore, it is desirable to establish a method for predicting the risk of developing lung cancer regardless of smoking status.
  • the present disclosure therefore aims to provide a disease risk prediction device, predictive marker, prediction method, program, and recording medium for predicting the risk of developing lung cancer regardless of the subject's smoking status.
  • the disease onset risk prediction device of the present disclosure comprises: An information acquisition unit, a prediction unit, and an output unit are included,
  • the information acquisition unit acquires disease-related information of the prediction subject, the disease is lung cancer,
  • the disease-related information includes information on age, carcinoembryonic antigen (CEA), and forced expiratory volume in one second (FEV10), the prediction unit predicts a risk of developing the disease of the prediction subject from the disease-related information;
  • the output unit outputs the risk of developing the disease.
  • the disease onset risk prediction marker of the present disclosure is: It serves as an indicator for predicting the risk of developing disease, the disease is lung cancer, Used in conjunction with information including age and forced expiratory volume in one second (FEV10), Contains carcinoembryonic antigen (CEA).
  • FEV10 age and forced expiratory volume in one second
  • CEA carcinoembryonic antigen
  • the method for predicting a disease onset risk disclosed herein includes: It includes an information acquisition step, a prediction step, and an output step,
  • the information acquiring step acquires disease-related information of the subject to be predicted, the disease is lung cancer,
  • the disease-related information includes information on age, carcinoembryonic antigen (CEA), and forced expiratory volume in one second (FEV10)
  • CEA carcinoembryonic antigen
  • FEV10 forced expiratory volume in one second
  • the output step outputs the risk of developing the disease.
  • This is a method for predicting the risk of developing a disease, in which each of the steps is carried out by a computer.
  • the program disclosed herein is a program that causes a computer to execute the steps of the method disclosed herein as a procedure.
  • the recording medium of the present disclosure is a computer-readable recording medium on which the program of the present disclosure is recorded.
  • FIG. 1 is a block diagram showing the configuration of an example of a disease onset risk prediction device according to the present disclosure.
  • FIG. 2 is a block diagram showing an example of the hardware configuration of the disease onset risk prediction device of the present disclosure.
  • FIG. 3 is a flowchart showing an example of processing in the disease onset risk prediction device of the present disclosure.
  • FIG. 4 is a diagram showing the breakdown of the training data and the evaluation data.
  • FIG. 5 is a diagram showing an example of selection of data to be used as learning data.
  • FIG. 6 is a scatter plot showing the relationship between the hazard ratio and p-value of disease-related information related to malignant neoplasms of the bronchi and lungs (tumors) (C34).
  • Figure 7 compares the details of trained models for predicting the onset of bronchial and pulmonary malignant neoplasms (tumors) (C34).
  • Figure 8 compares the predictive accuracy of trained models for predicting the onset of bronchial and pulmonary malignant neoplasms (tumors) (C34).
  • FIG. 9 shows the predicted risk of developing a disease, as predicted by a trained model for predicting the development of malignant neoplasms (tumors) of the bronchi and lungs (C34).
  • Figure 10 compares the prediction accuracy by age of trained models for predicting the onset of bronchial and pulmonary malignant neoplasms (tumors) (C34).
  • FIG. 1 is a block diagram showing an example of the configuration of a disease onset risk prediction device 10 (hereinafter also referred to as "the device 10") according to the present disclosure.
  • the device 10 includes an information acquisition unit 11, a prediction unit 12, and an output unit 13.
  • wireless communication examples include Wi-Fi (registered trademark), Bluetooth (registered trademark), local 5G, and LPWA.
  • the wireless communication may be a form in which each device communicates directly (ad hoc communication), infrastructure communication, indirect communication via an access point, or the like.
  • the device 10 may be incorporated into a system server, for example.
  • the device 10 may also be, for example, a personal computer (PC, e.g., desktop or laptop) on which the program disclosed herein is installed, a smartphone, a tablet terminal, or the like.
  • the device 10 may be in the form of cloud computing or edge computing, in which at least one of the above-mentioned components is located on a server and the other components are located on a terminal.
  • FIG. 2 shows an example block diagram of the hardware configuration of device 10.
  • Device 10 includes, for example, a central processing unit (CPU, GPU, etc.) 101, memory 102, bus 103, storage device 104, input device 105, output device 106, and communication device 107. Each part of device 10 is connected to each other via bus 103 and their respective interfaces (I/F).
  • CPU central processing unit
  • GPU GPU
  • I/F interfaces
  • the central processing unit 101 works in conjunction with other components via controllers (system controller, I/O controller, etc.) and is responsible for overall control of the device 10.
  • the central processing unit 101 executes, for example, the program disclosed herein and other programs, and also reads and writes various types of information.
  • the central processing unit 101 functions as an information acquisition unit 11, a prediction unit 12, and an output unit 13.
  • the device 10 may be equipped with other computing devices such as a CPU, GPU (Graphics Processing Unit), APU (Accelerated Processing Unit), etc. as a computing device, or may be equipped with a combination of a CPU and these.
  • the bus 103 can also be connected to external devices, for example.
  • external devices include a user terminal, an external storage device (such as an external database), a printer, an external input device, an external display device, and an external imaging device.
  • the device 10 can be connected to an external network (the communication line network) via a communication device 107 connected to the bus 103, for example, and can also be connected to other devices via the external network.
  • Memory 102 is, for example, a main memory (primary storage device). When central processing unit 101 performs processing, memory 102 reads various operating programs, such as the program of the present disclosure, stored in storage device 104 (described below), and central processing unit 101 receives data from memory 102 and executes the program.
  • the main memory is, for example, RAM (random access memory).
  • Memory 102 may also be, for example, ROM (read only memory).
  • the storage device 104 is also referred to as an auxiliary storage device, in contrast to the main memory (primary storage device). As mentioned above, the storage device 104 stores operating programs, including the program of the present disclosure.
  • the storage device 104 may be, for example, a combination of a recording medium and a drive that reads and writes from and to the recording medium.
  • the recording medium is not particularly limited and may be, for example, an internal or external type, such as a hard disk drive (HDD), CD-ROM, CD-R, CD-RW, MO, DVD, flash memory, or memory card.
  • the storage device 104 may be, for example, a hard disk drive (HDD) or solid state drive (SSD) that integrates the recording medium and drive.
  • HDD hard disk drive
  • SSD solid state drive
  • the memory 102 and storage device 104 can also store various information such as log information, information obtained from an external database (not shown) or external device, information generated by the device 10, and information used by the device 10 when executing processing.
  • the memory 102 and storage device 104 may store, for example, disease-related information, as described below. Note that at least some of the information may be stored, for example, in an external server other than the memory 102 and storage device 104, or may be stored in a distributed manner across multiple terminals using blockchain technology, etc.
  • the device 10 further includes, for example, an input device 105 and an output device 106.
  • the input device 105 include pointing devices such as a touch panel, track pad, or mouse; a keyboard; imaging means such as a camera or scanner; card readers such as IC card readers or magnetic card readers; and audio input means such as a microphone.
  • the output device 106 include display devices such as LED displays or LCD displays; audio output devices such as speakers; and a printer.
  • the input device 105 and the output device 106 are configured separately, but the input device 105 and the output device 106 may also be configured as an integrated device, such as a touch panel display.
  • the disease onset risk prediction method of the present disclosure is carried out as follows, for example, using the device 10 of Figure 1 or Figure 2. Note that the disease onset risk prediction method of the present disclosure is not limited to use with the device 10 of Figure 1 or Figure 2.
  • the information acquisition unit 11 acquires disease-related information about the person to be predicted (S11, information acquisition step).
  • the disease-related information includes information about age, carcinoembryonic antigen (CEA), and forced expiratory volume in one second (FEV10).
  • CEA carcinoembryonic antigen
  • FEV10 forced expiratory volume in one second
  • the disease-related information may be, for example, information acquired by the person to be predicted.
  • Information acquired by the person to be predicted is, for example, information acquired by a wearable device, a home health measurement device, etc.
  • the disease-related information may also include medical record information. Examples of the disease-related information include test result information, interview information, and subject attribute information (gender, etc.).
  • the forced expiratory volume in one second means, for example, the ratio of the forced expiratory volume in one second to the total expiratory volume.
  • the forced expiratory volume in one second can be measured, for example, by the method described in "Clinical Respiratory Function Test, 7th Edition (edited by the Pulmonary Physiology Specialist Committee of the Japanese Respiratory Society)."
  • the disease-related information may further include, for example, creatinine-equivalent estimated glomerular filtration rate (eGFR Cre (Estimated Glomerular Filtration Rate (Creatinine))), albumin, MCH (Mean Corpuscular Hemoglobin), BUN (Blood Urea Nitrogen), ECG (Electrocardiogram), AG ratio (Albumin-Globulin ratio), MCV (Mean Corpuscular Volume), LD or LDH (Lactate Dehydrogenase), FEV1 (Forced Expiratory Volume in 1 Second), total cholesterol, uric acid, body fat percentage, direct bilirubin, blood glucose level, LDL (Low-Density Lipoprotein), ALT (Alanine Aminotransferase), white blood cell count, CRP (C-Reactive Protein), ALP (Alkaline Phosphatase), HDL (High-Density Lipoprotein), MCHC (Mean Corpuscular Hemo
  • the disease-related information is not limited to these, and may include other information as long as it provides the information necessary to predict the risk of developing a disease.
  • the disease-related information may be, for example, information selected based on the results of analyzing the association with the disease using a Cox proportional hazards model.
  • Methods for acquiring the disease-related information include, but are not limited to, acquiring it from a connected external database, acquiring it via a communication line, or directly inputting the required information into the device 10.
  • the prediction unit 12 predicts the disease development risk of the prediction subject from the disease-related information (S12, prediction step).
  • the disease development risk is predicted, for example, based on the correlation between the disease-related information and the disease.
  • the disease development risk prediction may be, for example, a prediction of the disease development risk within an arbitrary period of time.
  • the prediction unit 12 may be a trained model (disease onset risk prediction model).
  • the disease onset risk prediction model predicts the disease onset risk of the prediction subject based on the disease-related information.
  • the disease onset risk prediction model is, for example, a trained model that outputs the disease onset risk of the prediction subject when the disease-related information is input.
  • the disease onset risk prediction model can also be referred to as a trained model that is machine-learned using, for example, multiple pieces of disease-related information as training data and causes a computer to function to predict the disease onset risk of the prediction subject.
  • the multiple pieces of disease-related information may or may not include the disease-related information of the prediction subject.
  • the disease onset risk prediction model may be, for example, a trained model using a Cox proportional hazards model.
  • the covariates may be selected, for example, by a stepwise method using AIC (Akaike's Information Criterion).
  • the trained model may, for example, evaluate the AUC (Area Under Curve) for disease onset within an arbitrary period using ROC (Receiver Operating Characteristic) analysis.
  • the trained model may be, for example, a trained model that predicts the risk of developing a disease within an arbitrary period of time.
  • the probability of developing a disease within an arbitrary period of time can be calculated, for example, by the following formula (1):
  • t represents the arbitrary period of time
  • S 0 represents the baseline survival function
  • X represents the test value
  • ⁇ represents the regression coefficient of the prediction model
  • X represents the average of the test values.
  • the output unit 13 outputs the disease development risk (S13, output step), and the process ends.
  • the disease development risk that is output is not particularly limited as long as it can grasp the disease development risk of the predicted subject, but may be, for example, an absolute evaluation, a relative evaluation, a numerical value, or an evaluation result based on a threshold value.
  • the output may be, for example, output to the output device 106 provided in the device 10, or may be output to an output device provided in a device other than the device 10.
  • the information acquisition unit 11 acquires information on the age, carcinoembryonic antigen (CEA), and forced expiratory volume in one second (FEV10) as disease-related information for the prediction subject
  • the prediction unit 12 predicts the lung cancer risk of the prediction subject from the disease-related information
  • the output unit 13 outputs the lung cancer risk.
  • the disease-related information includes only a minimum number of tumor markers. Therefore, for example, it is possible to predict the lung cancer risk without using multiple tumor markers.
  • the disease onset risk prediction marker of the present disclosure serves as an indicator for predicting the risk of developing a disease, the disease being lung cancer.
  • the disease onset risk prediction marker is used in combination with information including age and forced expiratory volume in one second (FEV10), and includes carcinoembryonic antigen (CEA).
  • CEA carcinoembryonic antigen
  • the disease onset risk prediction marker may also include, for example, estimated glomerular filtration rate converted to creatinine (eGFR Cre). Also, for example, at least one of the disease-related information may be included as the combined information or the disease onset risk prediction marker.
  • the explanation of the disease onset risk prediction device described above can be used for the explanation of the disease onset risk prediction marker of the present disclosure.
  • Figure 4 shows the breakdown of training data and evaluation data.
  • a random portion of the multiple pieces of disease-related information can be used as training data, a portion can be used as evaluation data, and the remaining portion can be used for final evaluation.
  • the training data may be data selected based on, for example, any condition.
  • Figure 5 shows an example of the selection of data to be used as training data.
  • the any condition may exclude, for example, cases where the disease developed before the start of observation (HC1) (5) or cases where there is only one health checkup information up to the last health checkup (HCx) (6), as shown in Figure 5, and the other data (1-4) may be used as training data.
  • the disease-related information can be obtained using, for example, a Cox proportional hazards model.
  • the Cox proportional hazards model may be used to analyze, for example, the association between the disease-related information and the disease.
  • the disease onset risk prediction model uses a Cox proportional hazards model, and covariates can be selected from the disease-related information by applying a stepwise method using AIC, for example.
  • the created prediction model can be evaluated by evaluating the AUC for disease onset within a given period using ROC analysis.
  • the created trained model can predict the risk of developing the disease.
  • Figure 6 is a scatter plot showing the relationship between the hazard ratio and p-value of disease-related information related to malignant neoplasms (tumors) of the bronchi and lungs (C34).
  • the vertical axis is -log(p-value) and the horizontal axis is hazard ratio.
  • a small corrected p-value large -log(p-value)
  • a large or small hazard ratio as a covariate.
  • Figure 7 is a diagram comparing the details of trained models for predicting the development of malignant neoplasms (tumors) of the bronchi and lungs (C34).
  • the disease-related information "age, carcinoembryonic antigen (CEA), and forced expiratory volume in one second (FEV10)” can be used as indicators of disease development risk.
  • the prediction accuracy was compared for a disease risk prediction model that includes information on "age, gender, and smoking” as disease-related information, a disease risk prediction model that includes information on "age, carcinoembryonic antigen (CEA),” and a disease risk prediction model that includes information on "age, carcinoembryonic antigen (CEA) and forced expiratory volume in one second (FEV10).”
  • Figure 8 compares the prediction accuracy of trained models for predicting the onset of bronchial and pulmonary malignant neoplasms (tumors) (C34). In each graph in Figure 8, the vertical axis represents sensitivity and the horizontal axis represents specificity. The age used to evaluate the prediction accuracy of all disease risk prediction models was 50 years or older.
  • the disease risk prediction model that includes information on "age, gender, and smoking” and the disease risk prediction model that includes information on “age and carcinoembryonic antigen (CEA)” are shown in Figure 7.
  • Disease risk prediction was performed using a disease risk prediction model that includes information on "age, carcinoembryonic antigen (CEA), and forced expiratory volume in one second (FEV10)" as disease-related information.
  • Figure 9 shows the results of disease risk predictions made using a trained model for predicting the onset of bronchial and pulmonary malignant neoplasms (tumors) (C34).
  • the vertical axis represents the linear predictor, and the horizontal axis represents the smoking status of the individual being predicted.
  • high-risk individuals were identified among non-smokers in the event group (disease onset). This demonstrates that disease risk can be predicted for ex-smokers and non-smokers, regardless of their current smoking status.
  • Figure 10 compares the prediction accuracy by age for trained models for predicting the onset of bronchial and pulmonary malignant neoplasms (tumors) (C34).
  • the vertical axis represents sensitivity and the horizontal axis represents specificity.
  • the program of the present disclosure is a program for causing a computer to execute each of the steps of the present disclosure described above.
  • the program of the present disclosure is a program for causing a computer to execute, for example, an information acquisition procedure, a prediction procedure, and an output procedure.
  • program disclosed herein can also be described as a program that causes a computer to function, for example, as an information acquisition procedure, a prediction procedure, and an output procedure.
  • the program of the present disclosure can incorporate the descriptions of the disease onset risk prediction device and disease onset risk prediction method according to embodiments 1 to 3 of the present disclosure.
  • the "procedure" in each of the above steps can be read as "processing.”
  • the program of the present disclosure may also be recorded on a computer-readable recording medium.
  • the recording medium is, for example, a non-transitory computer-readable storage medium.
  • the recording medium is not particularly limited, and examples include random access memory (RAM), read-only memory (ROM), hard disk (HD), flash memory (e.g., SSD (Solid State Drive), USB flash memory, SD/SDHC card, etc.), optical disc (e.g., CD-R/CD-RW, DVD-R/DVD-RW, BD-R/BD-RE, etc.), magneto-optical disc (MO), floppy disk (FD), etc.
  • the program of the present disclosure e.g., a programming product or program product
  • the "distribution" may be, for example, distribution via a communications network or distribution via a device connected via a wire.
  • the program of the present disclosure may be installed and executed on the device to which it is distributed, or it may be executed without being installed.
  • An information acquisition unit, a prediction unit, and an output unit are included, The information acquisition unit acquires disease-related information of the prediction subject, the disease is lung cancer, The disease-related information includes information on age, carcinoembryonic antigen (CEA), and forced expiratory volume in one second (FEV10), the prediction unit predicts a risk of developing the disease of the prediction subject from the disease-related information; The output unit outputs the risk of developing the disease.
  • a disease risk prediction device Appendix 2 2.
  • the disease risk prediction device further includes information on creatinine-equivalent estimated glomerular filtration rate (eGFR Cre).
  • eGFR Cre creatinine-equivalent estimated glomerular filtration rate
  • Appendix 3 The disease onset risk prediction device according to appendix 1 or 2, wherein the lung cancer is at least one classified under C34 (malignant neoplasms of the bronchus and lung) of the International Classification of Diseases (ICD-10).
  • ICD-10 International Classification of Diseases
  • the information acquiring step acquires disease-related information of the subject to be predicted, the disease is lung cancer,
  • the disease-related information includes information on age, carcinoembryonic antigen (CEA), and forced expiratory volume in one second (FEV10),
  • CEA carcinoembryonic antigen
  • FEV10 forced expiratory volume in one second
  • the prediction step predicts a risk of the subject developing the disease from the disease-related information
  • the output step outputs the risk of developing the disease.
  • a method for predicting the risk of developing a disease, wherein each of the steps is carried out by a computer. (Appendix 8) 8.
  • eGFR Cre creatinine-equivalent estimated glomerular filtration rate
  • the information acquisition step acquires disease-related information of the subject to be predicted, the disease is lung cancer,
  • the disease-related information includes information on age, carcinoembryonic antigen (CEA), and forced expiratory volume in one second (FEV10), the prediction step predicts a risk of the subject developing the disease from the disease-related information; the output step outputs the risk of developing the disease.
  • a program for causing a computer to execute each of the above procedures. (Appendix 11) The program according to claim 10, wherein the disease-related information further includes information regarding creatinine-equivalent estimated glomerular filtration rate (eGFR Cre).
  • the information acquisition step acquires disease-related information of the subject to be predicted, the disease is lung cancer,
  • the disease-related information includes information on age, carcinoembryonic antigen (CEA), and forced expiratory volume in one second (FEV10)
  • CEA carcinoembryonic antigen
  • FEV10 forced expiratory volume in one second
  • the prediction step predicts a risk of the subject developing the disease from the disease-related information
  • the output step outputs the risk of developing the disease.
  • a computer-readable recording medium that records a program for causing a computer to execute each of the above procedures.
  • the recording medium according to claim 13 further comprising information on creatinine-equivalent estimated glomerular filtration rate (eGFR Cre) as the disease-related information.
  • eGFR Cre creatinine-equivalent estimated glomerular filtration rate
  • Appendix 15 The recording medium according to claim 13 or 14, wherein the lung cancer is at least one classified as C34 (malignant neoplasms of the bronchus and lung) of the International Classification of Diseases (ICD-10).

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本開示は、予測対象者の喫煙状況によらずに肺がんの発症リスクを予測するための、疾患発症リスク予測装置の提供を目的とする。　本開示の疾患発症リスク予測装置は、情報取得部、予測部、出力部を含み、前記情報取得部は、予測対象者の疾患関連情報を取得し、前記疾患は、肺がんであり、前記疾患関連情報として、年齢、癌胎児性抗原（CEA）、及び１秒率（FEV10）に関する情報を含み、前記予測部は、前記疾患関連情報から前記予測対象者の前記疾患の発症リスクを予測し、前記出力部は、前記疾患の発症リスクを出力する。

Description

疾患発症リスク予測装置、予測マーカー、予測方法、プログラム、及び記録媒体
　本開示は、疾患発症リスク予測装置、予測マーカー、予測方法、プログラム、及び記録媒体に関する。
　肺がんの発生率と死亡率は、喫煙パターンと密接に関連していることが知られている（非特許文献１）。
Barta JA, Powell CA, Wisnivesky JP. Global Epidemiology of Lung Cancer. Ann Glob Health. 2019 Jan 22;85(1):8. doi: 10.5334/aogh.2419. PMID: 30741509; PMCID: PMC6724220.
　一方で、肺がんは、非喫煙者であっても発症する可能性がある。また、非喫煙者であっても過去には喫煙していた場合もあり、喫煙状況を正確に把握することは難しい。そのため、喫煙状況によらずに肺がんの発症リスクを予測する手法を確立することが望まれる。
　そこで、本開示は、予測対象者の喫煙状況によらずに肺がんの発症リスクを予測するための、疾患発症リスク予測装置、予測マーカー、予測方法、プログラム、及び記録媒体の提供を目的とする。
　前記目的を達成するために、本開示の疾患発症リスク予測装置は、
情報取得部、予測部、出力部を含み、
前記情報取得部は、予測対象者の疾患関連情報を取得し、
　前記疾患は、肺がんであり、
　前記疾患関連情報として、年齢、癌胎児性抗原（CEA）、及び１秒率（FEV10）に関する情報を含み、
前記予測部は、前記疾患関連情報から前記予測対象者の前記疾患の発症リスクを予測し、
前記出力部は、前記疾患の発症リスクを出力する。
　本開示の疾患発症リスク予測マーカーは、
疾患の発症リスクを予測する指標となり、
　前記疾患は、肺がんであり、
年齢、及び１秒率（FEV10）を含む情報と併用され、
癌胎児性抗原（CEA）を含む。
　本開示の疾患発症リスク予測方法は、
情報取得工程、予測工程、出力工程を含み、
前記情報取得工程は、予測対象者の疾患関連情報を取得し、
　前記疾患は、肺がんであり、
　前記疾患関連情報として、年齢、癌胎児性抗原（CEA）、及び１秒率（FEV10）に関する情報を含み、
前記予測工程は、前記疾患関連情報から前記予測対象者の前記疾患の発症リスクを予測し、
前記出力工程は、前記疾患の発症リスクを出力する、
前記各工程がコンピュータにより実行される、疾患発症リスク予測方法である。
　本開示のプログラムは、本開示の方法の前記各工程を、手順として、コンピュータに実行させるためのプログラムである。
　本開示の記録媒体は、本開示のプログラムを記録したコンピュータ読み取り可能な記録媒体である。
　本開示によれば、予測対象者の喫煙状況によらずに肺がんの発症リスクを予測することができる。
図１は、本開示の疾患発症リスク予測装置の一例の構成を示すブロック図である。 図２は、本開示の疾患発症リスク予測装置のハードウェア構成の一例を示すブロック図である。 図３は、本開示の疾患発症リスク予測装置における処理の一例を示すフローチャートである。 図４は、学習データと評価データの内訳を示す図である。 図５は、学習データに用いるデータの選択の一例を示す図である。 図６は、気管支及び肺の悪性新生物＜腫瘍＞（Ｃ３４）に係る疾患関連情報のハザード比とｐ値の関係を示す散布図である。 図７は、気管支及び肺の悪性新生物＜腫瘍＞（Ｃ３４）の発症を予測するための学習済みモデルの詳細を比較した図である。 図８は、気管支及び肺の悪性新生物＜腫瘍＞（Ｃ３４）の発症を予測するための学習済みモデルの予測精度を比較した図である。 図９は、気管支及び肺の悪性新生物＜腫瘍＞（Ｃ３４）の発症を予測するための学習済みモデルによって予測された、疾患発症リスクの予測結果を示す図である。 図１０は、気管支及び肺の悪性新生物＜腫瘍＞（Ｃ３４）の発症を予測するための学習済みモデルの、年齢毎の予測精度を比較した図である。
　本開示の実施形態について図を用いて説明する。本開示は、以下の実施形態には限定されない。以下の各図において、同一部分には、同一符号を付している。また、各実施形態の説明は、特に言及がない限り、互いの説明を援用でき、各実施形態の構成は、特に言及がない限り、組合せ可能である。
　本開示において「疾患」という場合、特に言及しない限り、肺がんを意味する。より具体的には、前記肺がんとしては、例えば、国際疾病分類（ＩＣＤ（International Statistical Classification of Diseases and Related Health Problems）－１０）における、気管支及び肺の悪性新生物＜腫瘍＞（Ｃ３４）があげられる。前記肺がんとしては、例えば、原発性肺がん、右上葉肺がん、右上葉肺腺がん、右下葉肺がん、右肺がん、左肺がん、肺がん、肺がん（の術後）、肺腺がん、肺門部小細胞がん、非小細胞肺がん、右下葉小細胞肺がん、及び右肺上葉肺がん等があげられる。
［実施形態１］
　図１は、本開示の疾患発症リスク予測装置１０（以下「本装置１０」ともいう。）の一例の構成を示すブロック図である。図１に示すように、本装置１０は、情報取得部１１、予測部１２、及び出力部１３を含む。
　本装置１０は、例えば、前記各部を含む一つの装置でもよいし、前記各部が、通信回線網を介して接続可能な装置でもよい。また、本装置１０は、前記通信回線網を介して、後述する外部装置と接続可能である。前記通信回線網は、特に制限されず、公知のネットワークを使用でき、例えば、有線でも無線でもよい。前記通信回線網は、例えば、インターネット回線、ＷＷＷ（Ｗｏｒｌｄ　Ｗｉｄｅ　Ｗｅｂ）、電話回線、ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）、ＳＡＮ（Ｓｔｏｒａｇｅ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）、ＤＴＮ（Ｄｅｌａｙ　Ｔｏｌｅｒａｎｔ　Ｎｅｔｗｏｒｋｉｎｇ）、ＬＰＷＡ（Ｌｏｗ　Ｐｏｗｅｒ　Ｗｉｄｅ　Ａｒｅａ）、Ｌ５Ｇ（ローカル５Ｇ）、等があげられる。無線通信としては、例えば、Ｗｉ－Ｆｉ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ローカル５Ｇ、ＬＰＷＡ等があげられる。前記無線通信としては、各装置が直接通信する形態（Ａｄ　Ｈｏｃ通信）、インフラストラクチャ（infrastructure通信）、アクセスポイントを介した間接通信等であってもよい。本装置１０は、例えば、システムのサーバに組み込まれていてもよい。また、本装置１０は、例えば、本開示のプログラムがインストールされたパーソナルコンピュータ（ＰＣ、例えば、デスクトップ型、ノート型）、スマートフォン、タブレット端末等であってもよい。さらに、本装置１０は、例えば、前記各部のうち少なくとも一つがサーバ上にあり、その他の前記各部が端末上にあるような、クラウドコンピューティングやエッジコンピューティング等の形態であってもよい。
　図２に、本装置１０のハードウェア構成のブロック図を例示する。本装置１０は、例えば、中央処理装置（ＣＰＵ、ＧＰＵ等）１０１、メモリ１０２、バス１０３、記憶装置１０４、入力装置１０５、出力装置１０６、通信デバイス１０７等を含む。本装置１０の各部は、それぞれのインタフェース（Ｉ／Ｆ）により、バス１０３を介して相互に接続されている。
　中央処理装置１０１は、コントローラ（システムコントローラ、Ｉ／Ｏコントローラ等）等により、他の構成と連携動作し、本装置１０の全体の制御を担う。本装置１０において、中央処理装置１０１により、例えば、本開示のプログラムやその他のプログラムが実行され、また、各種情報の読み込みや書き込みが行われる。具体的には、例えば、中央処理装置１０１が、情報取得部１１、予測部１２、及び出力部１３として機能する。本装置１０は、演算装置として、ＣＰＵ、ＧＰＵ（Graphics Processing Unit）、ＡＰＵ（Accelerated Processing Unit）等の他の演算装置を備えてもよいし、ＣＰＵとこれらとの組合せを備えてもよい。
　バス１０３は、例えば、外部装置とも接続できる。前記外部装置は、例えば、ユーザの端末、外部記憶装置（外部データベース等）、プリンタ、外部入力装置、外部表示装置、外部撮像装置等があげられる。本装置１０は、例えば、バス１０３に接続された通信デバイス１０７により、外部ネットワーク（前記通信回線網）に接続でき、外部ネットワークを介して、他の装置と接続することもできる。
　メモリ１０２は、例えば、メインメモリ（主記憶装置）があげられる。中央処理装置１０１が処理を行う際には、例えば、後述する記憶装置１０４に記憶されている本開示のプログラム等の種々の動作プログラムを、メモリ１０２が読み込み、中央処理装置１０１は、メモリ１０２からデータを受け取って、プログラムを実行する。前記メインメモリは、例えば、ＲＡＭ（ランダムアクセスメモリ）である。また、メモリ１０２は、例えば、ＲＯＭ（読み出し専用メモリ）であってもよい。
　記憶装置１０４は、例えば、前記メインメモリ（主記憶装置）に対して、いわゆる補助記憶装置ともいう。前述のように、記憶装置１０４には、本開示のプログラムを含む動作プログラムが格納されている。記憶装置１０４は、例えば、記録媒体と、記録媒体に読み書きするドライブとの組合せであってもよい。前記記録媒体は、特に制限されず、例えば、内蔵型でも外付け型でもよく、ＨＤ（ハードディスク）、ＣＤ－ＲＯＭ、ＣＤ－Ｒ、ＣＤ－ＲＷ、ＭＯ、ＤＶＤ、フラッシュメモリー、メモリーカード等があげられる。記憶装置１０４は、例えば、記録媒体とドライブとが一体化されたハードディスクドライブ（ＨＤＤ）、及びソリッドステートドライブ（ＳＳＤ）であってもよい。
　本装置１０において、メモリ１０２及び記憶装置１０４は、ログ情報、外部データベース（図示せず）や外部の装置から取得した情報、本装置１０によって生成した情報、本装置１０が処理を実行する際に用いる情報等の種々の情報を記憶することも可能である。この場合、メモリ１０２及び記憶装置１０４は、例えば、後述する疾患関連情報等を記憶していてもよい。なお、少なくとも一部の情報は、例えば、メモリ１０２及び記憶装置１０４以外の外部サーバに記憶されていてもよいし、複数の端末にブロックチェーン技術等を用いて分散して記憶されていてもよい。
　本装置１０は、例えば、さらに、入力装置１０５、出力装置１０６を備える。入力装置１０５は、例えば、タッチパネル、トラックパッド、マウス等のポインティングデバイス；キーボード；カメラ、スキャナ等の撮像手段；ＩＣカードリーダ、磁気カードリーダ等のカードリーダ；マイク等の音声入力手段；等があげられる。出力装置１０６は、例えば、ＬＥＤディスプレー、液晶ディスプレー等の表示装置；スピーカ等の音声出力装置；プリンタ；等があげられる。本開示１において、入力装置１０５と出力装置１０６とは、別個に構成されているが、入力装置１０５と出力装置１０６とは、タッチパネルディスプレーのように、一体として構成されてもよい。
　つぎに、本開示の疾患発症リスク予測方法の一例を、図３のフローチャートに基づき説明する。本開示の疾患発症リスク予測方法は、例えば、図１又は図２の本装置１０を用いて、次のように実施する。なお、本開示の疾患発症リスク予測方法は、図１又は図２の本装置１０の使用には限定されない。
　まず、情報取得部１１は、予測対象者の疾患関連情報を取得する（Ｓ１１、情報取得工程）。前記疾患関連情報として、年齢、癌胎児性抗原（CEA（Carcinoembryonic Antigen））、及び１秒率（FEV（Forced Expiratory Volume）10）に関する情報を含む。前記疾患関連情報は、例えば、前記予測対象者によって取得された情報であってもよい。前記予測対象者によって取得された情報としては、例えば、ウェアラブル端末、家庭用の健康測定機器等により取得された情報である。また、前記疾患関連情報として、カルテ情報を含んでもよい。前記疾患関連情報としては、例えば、検査結果情報、問診情報、対象者属性情報（性別等）等があげられる。
　ここで、前記１秒率（FEV10）は、例えば、全体呼気量に対する１秒量の比率を意味する。前記１秒率（FEV10）は、例えば、『臨床呼吸機能検査　第７版（日本呼吸器学会肺生理専門委員会　編集）』に記載されている方法によって測定することができる。前記１秒率（FEV10）は、例えば、下記式により計算することができる。
 
　１秒率（FEV10）＝１秒量（FEV1）／努力肺活量（FVC）×１００
 
　また、前記疾患関連情報として、例えば、さらに、クレアチニン換算推算糸球体ろ過量（eGFR Cre（Estimated Glomerular Filtration Rate (Creatinine)））、アルブミン、MCH（Mean Corpuscular Hemoglobin）、BUN（Blood Urea Nitrogen）、ECG（Electrocardiogram）、AG比（Albumin-Globulin比）、MCV（Mean Corpuscular Volume）、LDまたはLDH（Lactate Dehydrogenase）、FEV1（Forced Expiratory Volume in 1 Second）、総コレステロール、尿酸、体脂肪率、直接ビリルビン、血糖値、LDL（Low-Density Lipoprotein）、ALT（Alanine Aminotransferase）、白血球数、CRP（C-Reactive Protein）、ALP（Alkaline Phosphatase）、HDL（High-Density Lipoprotein）、MCHC（Mean Corpuscular Hemoglobin Concentration）、肺活量、nonHDLコレステロール、好塩基球、尿比重、尿pH、コリンエステラーゼ、収縮期血圧1回目、血小板数、好酸球、潜血（便潜血）、腹囲、ヘモグロビン、単球、尿中ウロビリノーゲン、総ビリルビン、総タンパク質、ヘマトクリット、努力肺活量、赤血球数、拡張期血圧1回目、LAP（Leucine Aminopeptidase）、60分後の血糖値、好中球、BMI（Body Mass Index）、リンパ球、トリグリセリド、γGTP（Gamma-Glutamyl Transferase）、AST（Aspartate Aminotransferase）、LH比（LDLとHDLの比率）、HBs抗原（hepatitis B surface抗原）、及びHCV抗体（Hepatitis C Virus抗体）等があげられる。
　なお、前記疾患関連情報は、これらに限定されず、疾患発症リスクを予測するために必要な情報が得られるものであれば、他の情報を含んでもよい。前記疾患関連情報は、例えば、Cox比例ハザードモデルにより疾患との関連性を解析した結果に基づき選択される情報であってもよい。前記疾患関連情報の取得方法は、例えば、接続された外部データベースから取得する方法、通信回線を介して取得する方法、必要項目を本装置１０に直接入力する方法等があげられるが、これらに限定されない。
　つぎに、予測部１２は、前記疾患関連情報から前記予測対象者の疾患発症リスクを予測する（Ｓ１２、予測工程）。前記疾患発症リスクの予測は、例えば、前記疾患関連情報と疾患との関連性等に基づいて予測される。前記疾患発症リスクの予測は、例えば、任意の期間内における疾患発症リスクの予測であってもよい。
　なお、予測部１２は、学習済みモデル（疾患発症リスク予測モデル）であってもよい。この場合、前記疾患発症リスク予測モデルが、前記疾患関連情報に基づき、前記予測対象者の疾患発症リスクを予測する。前記疾患発症リスク予測モデルは、例えば、前記疾患関連情報を入力すると、前記予測対象者の疾患発症リスクを出力する学習済みモデルである。また、前記疾患発症リスク予測モデルは、例えば、複数の疾患関連情報を学習データとして機械学習され、前記予測対象者の疾患発症リスクを予測するよう、コンピュータに機能させるための学習済みモデルということもできる。なお、前記複数の疾患関連情報は、前記予測対象者の疾患関連情報を含んでもよいし、含まなくてもよい。前記疾患発症リスク予測モデルは、例えば、Cox比例ハザードモデルを利用した学習済みモデルであってもよい。前記共変量は、例えば、AIC（Akaike's Information Criterion、赤池情報量基準）を用いたステップワイズ法により選択してもよい。前記学習済みモデルは、例えば、ROC（Receiver Operating Characteristic）解析による任意の期間内の疾患発症に関するAUC（Area Under Curve）を評価してもよい。また、前記学習済みモデルは、例えば、任意の期間内における疾患発症リスクを予測する学習済みモデルであってもよい。この場合、任意の期間内に疾患を発症する確率は、例えば、下記式（１）により求めることができる。下記式において、ｔは前記任意の期間、Ｓ０は基準生存関数（baseline survival）、Ｘは検査の値、βは予測モデルの回帰係数、Ｘバーは検査値の平均を表す。
　その後、出力部１３は、前記疾患発症リスクを出力し（Ｓ１３、出力工程）、終了する。前記出力される疾患発症リスクとしては、前記予測対象者の疾患発症リスクを把握できるものであれば特に限定されないが、例えば、絶対評価、相対評価、数値、閾値を基準とする評価結果等であってもよい。前記出力は、例えば、本装置１０が備える出力装置１０６への出力であってもよいし、本装置１０以外の他の装置が備える出力装置への出力であってもよい。
　このように、本開示の疾患発症リスク予測装置によれば、情報取得部１１が、予測対象者の疾患関連情報として年齢、癌胎児性抗原（CEA）、及び１秒率（FEV10）に関する情報を取得し、予測部１２が、前記疾患関連情報から前記予測対象者の肺がんの発症リスクを予測し、出力部１３が、前記肺がんの発症リスクを出力することができるため、予測対象者の喫煙状況によらずに肺がんの発症リスクを予測することができる。そのため、例えば、非喫煙者に対しても肺がんの発症リスクを予測することが可能である。また、前記疾患関連情報には、最小限の腫瘍マーカーのみが含まれる。そのため、例えば、複数の腫瘍マーカーを用いずとも、肺がんの発症リスクを予測することが可能である。
［実施形態２］
　つぎに、疾患発症リスクを予測する指標となる、疾患発症リスク予測マーカーについて説明する。
　本開示の疾患発症リスク予測マーカーは、疾患の発症リスクを予測する指標となり、前記疾患は、肺がんである。前記疾患発症リスク予測マーカーは、年齢、及び１秒率（FEV10）を含む情報と併用され、癌胎児性抗原（CEA）を含む。また、前記疾患発症リスク予測マーカーは、例えば、さらに、クレアチニン換算推算糸球体ろ過量（eGFR Cre）を含んでもよい。また、例えば、前記疾患関連情報の少なくとも１つを、前記併用される情報又は前記疾患発症リスク予測マーカーとして含んでもよい。なお、本開示の疾患発症リスク予測マーカーの説明は、前述の疾患発症リスク予測装置における説明を援用することができる。
［実施形態３］
　つぎに、疾患発症リスクを予測するための疾患関連情報（共変量）の選択、学習済みモデルの作成、及び学習済みモデルの評価結果にについて、図４～図１０を用いて説明する。
　図４は、学習データと評価データの内訳を示す図である。学習済みモデルの作成においは、図４のとおり、例えば、前記複数の疾患関連情報からランダムに一部を学習データとして利用し、一部を評価データとして利用し、残りの一部を最終評価に使用することができる。
　前記学習データとしては、例えば、任意の条件に基づいて選択されたデータを用いてもよい。図５は、学習データに用いるデータの選択の一例を示す図である。前記任意の条件は、例えば、図５のように、観察開始（HC1）よりも前に疾患を発症した場合（５）や、最後の健康診断（HCx）までに健康診断情報が１回分のみの場合（６）を除外し、その他のデータ（１～４）を、学習データと用いてもよい。
　ここで、選択された学習データに基づいて疾患発症リスクを予測するための疾患関連情報（共変量）を選択する方法の一例を説明する。前記疾患関連情報は、例えば、Cox比例ハザードモデルを利用することができる。Cox比例ハザードモデルにより、例えば、前記疾患関連情報と、前記疾患との関連性を解析してもよい。
　つぎに、疾患関連情報を用いて疾患発症リスク予測モデルを作成する例を示す。疾患発症リスク予測モデルは、Cox比例ハザードモデルを利用し、例えば、前記疾患関連情報から、AICを用いたステップワイズ法を適用することにより、共変量を選択することができる。作成した予測モデルの評価は、ROC解析による任意の期間内の疾患発症に関するAUCを評価することができる。作成された学習済みモデルによって、前記疾患の発症リスクを予測できる。
　以下、Cox比例ハザードモデルにより解析された前記疾患関連情報と前記疾患との関連性、及び学習済みモデルの一例を示す。なお、表１における「補正後ｐ値」は、Benjamini-Hochberg法で補正した後のｐ値を意味する。
＜気管支及び肺の悪性新生物＜腫瘍＞（Ｃ３４）＞
　図６は、気管支及び肺の悪性新生物＜腫瘍＞（Ｃ３４）に係る疾患関連情報のハザード比とｐ値の関係を示す散布図である。図６において、縦軸は、－ｌｏｇ（ｐ値）、横軸は、ハザード比である。気管支及び肺の悪性新生物＜腫瘍＞（Ｃ３４）の発症リスクを予測する場合、表１及び図６より、補正後ｐ値が小さく（－ｌｏｇ（ｐ値）が大きく）、かつハザード比が大きい又は小さい疾患関連情報を共変量として含むことが好ましい。図７は、気管支及び肺の悪性新生物＜腫瘍＞（Ｃ３４）の発症を予測するための学習済みモデルの詳細を比較した図である。図７のとおり、疾患関連情報として、「年齢、癌胎児性抗原（CEA）、及び１秒率（FEV10）」が、疾患発症リスクの指標となりえることがわかる。
　なお、疾患関連情報として「年齢、性別、喫煙」に関する情報を含む疾患発症リスク予測モデル、「年齢、癌胎児性抗原（CEA）」に関する情報を含む疾患発症リスク予測モデル、及び「年齢、癌胎児性抗原（CEA）、及び１秒率（FEV10）」に関する情報を含む疾患発症リスク予測モデルについて、予測精度を比較した。図８は、気管支及び肺の悪性新生物＜腫瘍＞（Ｃ３４）の発症を予測するための学習済みモデルの予測精度を比較した図である。図８の各図において、縦軸は感度、横軸は特異度である。なお、すべての疾患発症リスク予測モデルの予測精度の評価における年齢は、５０歳以上としている。また、「年齢、性別、喫煙」に関する情報を含む疾患発症リスク予測モデル、「年齢、癌胎児性抗原（CEA）」に関する情報を含む疾患発症リスク予測モデルの詳細は、図７のとおりである。図８のとおり、疾患関連情報として「年齢、癌胎児性抗原（CEA）、及び１秒率（FEV10）」に関する情報を含む疾患発症リスク予測モデル（AUC = 0.82）は、「年齢、性別、喫煙」に関する情報を含む疾患発症リスク予測モデル（AUC = 0.74）、及び「年齢、癌胎児性抗原（CEA）」に関する情報を含む疾患発症リスク予測モデル（AUC = 0.80）よりも、予測精度が高いことがわかった。なお、この結果は、先行文献（Integrative Analysis of Lung Cancer Etiology and Risk (INTEGRAL) Consortium for Early Detection of Lung Cancer. Assessment of Lung Cancer Risk on the Basis of a Biomarker Panel of Circulating Proteins. JAMA Oncol. 2018;4(10):e182078. doi:10.1001/jamaoncol.2018.2078）に開示される、４つの腫瘍マーカーを含む予測モデル（AUC = 0.83）と同等の精度を有することがわかった。したがって、本開示によれば、例えば、数多くの腫瘍マーカーの測定や検査等を要さないため、既存の予測モデルを使用する場合よりも簡便に疾患の発症リスクを予測することができる。
　疾患関連情報として「年齢、癌胎児性抗原（CEA）、及び１秒率（FEV10）」に関する情報を含む疾患発症リスク予測モデルについて、疾患発症リスク予測を行った。図９は、気管支及び肺の悪性新生物＜腫瘍＞（Ｃ３４）の発症を予測するための学習済みモデルによって予測された、疾患発症リスクの予測結果を示す図である。図９において、縦軸は線形予測子、横軸は予測対象者の喫煙情報である。図９のとおり、イベント群（疾患発症）の非喫煙者について、ハイリスク者を把握することができた。このことから、現在の喫煙状況によらずとも、前喫煙者や非喫煙者についても疾患発症のリスクを予測できることがわかった。
　つぎに、疾患関連情報として「年齢、癌胎児性抗原（CEA）、及び１秒率（FEV10）」に関する情報を含む疾患発症リスク予測モデルについて、年齢毎の予測精度の比較を行った。図１０は、気管支及び肺の悪性新生物＜腫瘍＞（Ｃ３４）の発症を予測するための学習済みモデルの、年齢毎の予測精度を比較した図である。図１０の各図において、縦軸は感度、横軸は特異度である。図１０のとおり、全年代では、年齢に関する情報のみを含む場合のみでも高い予測精度を示したが（AUC = 0.83）、疾患関連情報として「年齢、癌胎児性抗原（CEA）、及び１秒率（FEV10）」に関する情報を含む疾患発症リスク予測モデルが、他の疾患発症リスク予測モデルと比べてより高い予測精度を示した（AUC = 0.87）。一方で、年齢を５０歳以上及び６０歳以上に限定した場合、年齢に関する情報のみを含む場合には予測精度が低かったものの（AUC = 0.71、及びAUC = 0.64）、「年齢、癌胎児性抗原（CEA）、及び１秒率（FEV10）」に関する情報を含む疾患発症リスク予測モデルは、予測精度が大きく向上した（AUC = 0.82、及びAUC = 0.78）。このことから、５０歳以上及び６０歳以上において、より疾患発症リスク予測モデルの予測精度が高いことがわかった。
［実施形態４］
　本開示のプログラムは、前述の本開示の各工程を、コンピュータに実行させるためのプログラムである。具体的に、本開示のプログラムは、コンピュータに、例えば、情報取得手順、予測手順、及び出力手順を実行させるためのプログラムである。
　また、本開示のプログラムは、コンピュータを、例えば、情報取得手順、予測手順、及び出力手順として機能させるプログラムということもできる。
　本開示のプログラムは、本開示の実施形態１から３に係る、疾患発症リスク予測装置及び疾患発症リスク予測方法における記載を援用できる。前記各手順は、例えば、「手順」を「処理」と読み替え可能である。また、本開示のプログラムは、例えば、コンピュータ読み取り可能な記録媒体に記録されてもよい。前記記録媒体は、例えば、非一時的なコンピュータ可読記録媒体（non-transitory computer-readable storage medium）である。前記記録媒体は、特に制限されず、例えば、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、ハードディスク（ＨＤ）、フラッシュメモリ（例えば、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）、ＵＳＢフラッシュメモリ、ＳＤ／ＳＤＨＣカード等）、光ディスク（例えば、ＣＤ‐Ｒ／ＣＤ‐ＲＷ、ＤＶＤ‐Ｒ／ＤＶＤ‐ＲＷ、ＢＤ‐Ｒ／ＢＤ‐ＲＥ等）、光磁気ディスク（ＭＯ）、フロッピー（登録商標）ディスク（ＦＤ）等があげられる。また、本開示のプログラム（例えば、プログラミング製品、又はプログラム製品ともいう）は、例えば、外部のコンピュータから配信される形態であってもよい。前記「配信」は、例えば、通信回線網を介した配信でもよいし、有線で接続された装置を介した配信であってもよい。本開示のプログラムは、配信された装置にインストールされて実行されてもよいし、インストールされずに実行されてもよい。
　以上、実施形態を参照して本開示を説明したが、本開示は、上記実施形態に限定されるものではない。本開示の構成や詳細には、本開示のスコープ内で当業者が理解しうる様々な変更をできる。
＜付記＞
　上記の実施形態の一部又は全部は、以下の付記のように記載されうるが、以下には限られない。
（付記１）
情報取得部、予測部、出力部を含み、
前記情報取得部は、予測対象者の疾患関連情報を取得し、
　前記疾患は、肺がんであり、
　前記疾患関連情報として、年齢、癌胎児性抗原（CEA）、及び１秒率（FEV10）に関する情報を含み、
前記予測部は、前記疾患関連情報から前記予測対象者の前記疾患の発症リスクを予測し、
前記出力部は、前記疾患の発症リスクを出力する、
疾患発症リスク予測装置。
（付記２）
前記疾患関連情報として、さらに、クレアチニン換算推算糸球体ろ過量（eGFR Cre）に関する情報を含む、付記１記載の疾患発症リスク予測装置。
（付記３）
前記肺がんが、国際疾病分類ＩＣＤ－１０のＣ３４（気管支及び肺の悪性新生物＜腫瘍＞）に分類される少なくとも１つである、付記１又は２記載の疾患発症リスク予測装置。
（付記４）
疾患の発症リスクを予測する指標となり、
　前記疾患は、肺がんであり、
年齢、及び１秒率（FEV10）を含む情報と併用され、
癌胎児性抗原（CEA）を含む、疾患発症リスク予測マーカー。
（付記５）
さらに、クレアチニン換算推算糸球体ろ過量（eGFR Cre）を含む、
付記４記載の疾患発症リスク予測マーカー。
（付記６）
前記肺がんが、国際疾病分類ＩＣＤ－１０のＣ３４に分類される少なくとも１つである、
付記４又は５記載の疾患発症リスク予測マーカー。
（付記７）
情報取得工程、予測工程、出力工程を含み、
前記情報取得工程は、予測対象者の疾患関連情報を取得し、
　前記疾患は、肺がんであり、
　前記疾患関連情報として、年齢、癌胎児性抗原（CEA）、及び１秒率（FEV10）に関する情報を含み、
前記予測工程は、前記疾患関連情報から前記予測対象者の前記疾患の発症リスクを予測し、
前記出力工程は、前記疾患の発症リスクを出力する、
前記各工程がコンピュータにより実行される、疾患発症リスク予測方法。
（付記８）
前記疾患関連情報として、さらに、クレアチニン換算推算糸球体ろ過量（eGFR Cre）に関する情報を含む、付記７記載の疾患発症リスク予測方法。
（付記９）
前記肺がんが、国際疾病分類ＩＣＤ－１０のＣ３４（気管支及び肺の悪性新生物＜腫瘍＞）に分類される少なくとも１つである、付記７又は８記載の疾患発症リスク予測方法。
（付記１０）
情報取得手順、予測手順、出力手順を含み、
前記情報取得手順は、予測対象者の疾患関連情報を取得し、
　前記疾患は、肺がんであり、
　前記疾患関連情報として、年齢、癌胎児性抗原（CEA）、及び１秒率（FEV10）に関する情報を含み、
前記予測手順は、前記疾患関連情報から前記予測対象者の前記疾患の発症リスクを予測し、
前記出力手順は、前記疾患の発症リスクを出力する、
前記各手順をコンピュータに実行させるためのプログラム。
（付記１１）
前記疾患関連情報として、さらに、クレアチニン換算推算糸球体ろ過量（eGFR Cre）に関する情報を含む、付記１０記載のプログラム。
（付記１２）
前記肺がんが、国際疾病分類ＩＣＤ－１０のＣ３４（気管支及び肺の悪性新生物＜腫瘍＞）に分類される少なくとも１つである、付記１０又は１１記載のプログラム。
（付記１３）
情報取得手順、予測手順、出力手順を含み、
前記情報取得手順は、予測対象者の疾患関連情報を取得し、
　前記疾患は、肺がんであり、
　前記疾患関連情報として、年齢、癌胎児性抗原（CEA）、及び１秒率（FEV10）に関する情報を含み、
前記予測手順は、前記疾患関連情報から前記予測対象者の前記疾患の発症リスクを予測し、
前記出力手順は、前記疾患の発症リスクを出力する、
前記各手順をコンピュータに実行させるためのプログラムを記録しているコンピュータ読み取り可能な記録媒体。
（付記１４）
前記疾患関連情報として、さらに、クレアチニン換算推算糸球体ろ過量（eGFR Cre）に関する情報を含む、付記１３記載の記録媒体。
（付記１５）
前記肺がんが、国際疾病分類ＩＣＤ－１０のＣ３４（気管支及び肺の悪性新生物＜腫瘍＞）に分類される少なくとも１つである、付記１３又は１４記載の記録媒体。
　この出願は、２０２４年７月１日に出願された日本出願特願２０２４－１０５９７７を基礎とする優先権を主張し、その開示のすべてをここに取り込む。
　本開示によれば、予測対象者の喫煙状況によらずに肺がんの発症リスクを予測することができる。本開示を適用できる分野は制限されず、疾患発症リスク予測装置を用いた幅広い分野に適用可能である。
１０　疾患発症リスク予測装置
１１　情報取得部
１２　予測部
１３　出力部
１０１　中央処理装置
１０２　メモリ
１０３　バス
１０４　記憶装置
１０５　入力装置
１０６　出力装置
１０７　通信デバイス

 

Claims (15)

  1. 情報取得部、予測部、出力部を含み、
    前記情報取得部は、予測対象者の疾患関連情報を取得し、
    　前記疾患は、肺がんであり、
    　前記疾患関連情報として、年齢、癌胎児性抗原（CEA）、及び１秒率（FEV10）に関する情報を含み、
    前記予測部は、前記疾患関連情報から前記予測対象者の前記疾患の発症リスクを予測し、
    前記出力部は、前記疾患の発症リスクを出力する、
    疾患発症リスク予測装置。
  2. 前記疾患関連情報として、さらに、クレアチニン換算推算糸球体ろ過量（eGFR Cre）に関する情報を含む、請求項１記載の疾患発症リスク予測装置。
  3. 前記肺がんが、国際疾病分類ＩＣＤ－１０のＣ３４（気管支及び肺の悪性新生物＜腫瘍＞）に分類される少なくとも１つである、請求項１又は２記載の疾患発症リスク予測装置。
  4. 疾患の発症リスクを予測する指標となり、
    　前記疾患は、肺がんであり、
    年齢、及び１秒率（FEV10）を含む情報と併用され、
    癌胎児性抗原（CEA）を含む、疾患発症リスク予測マーカー。
  5. さらに、クレアチニン換算推算糸球体ろ過量（eGFR Cre）を含む、
    請求項４記載の疾患発症リスク予測マーカー。
  6. 前記肺がんが、国際疾病分類ＩＣＤ－１０のＣ３４に分類される少なくとも１つである、
    請求項４又は５記載の疾患発症リスク予測マーカー。
  7. 情報取得工程、予測工程、出力工程を含み、
    前記情報取得工程は、予測対象者の疾患関連情報を取得し、
    　前記疾患は、肺がんであり、
    　前記疾患関連情報として、年齢、癌胎児性抗原（CEA）、及び１秒率（FEV10）に関する情報を含み、
    前記予測工程は、前記疾患関連情報から前記予測対象者の前記疾患の発症リスクを予測し、
    前記出力工程は、前記疾患の発症リスクを出力する、
    前記各工程がコンピュータにより実行される、疾患発症リスク予測方法。
  8. 前記疾患関連情報として、さらに、クレアチニン換算推算糸球体ろ過量（eGFR Cre）に関する情報を含む、請求項７記載の疾患発症リスク予測方法。
  9. 前記肺がんが、国際疾病分類ＩＣＤ－１０のＣ３４（気管支及び肺の悪性新生物＜腫瘍＞）に分類される少なくとも１つである、請求項７又は８記載の疾患発症リスク予測方法。
  10. 情報取得手順、予測手順、出力手順を含み、
    前記情報取得手順は、予測対象者の疾患関連情報を取得し、
    　前記疾患は、肺がんであり、
    　前記疾患関連情報として、年齢、癌胎児性抗原（CEA）、及び１秒率（FEV10）に関する情報を含み、
    前記予測手順は、前記疾患関連情報から前記予測対象者の前記疾患の発症リスクを予測し、
    前記出力手順は、前記疾患の発症リスクを出力する、
    前記各手順をコンピュータに実行させるためのプログラム。
  11. 前記疾患関連情報として、さらに、クレアチニン換算推算糸球体ろ過量（eGFR Cre）に関する情報を含む、請求項１０記載のプログラム。
  12. 前記肺がんが、国際疾病分類ＩＣＤ－１０のＣ３４（気管支及び肺の悪性新生物＜腫瘍＞）に分類される少なくとも１つである、請求項１０又は１１記載のプログラム。
  13. 情報取得手順、予測手順、出力手順を含み、
    前記情報取得手順は、予測対象者の疾患関連情報を取得し、
    　前記疾患は、肺がんであり、
    　前記疾患関連情報として、年齢、癌胎児性抗原（CEA）、及び１秒率（FEV10）に関する情報を含み、
    前記予測手順は、前記疾患関連情報から前記予測対象者の前記疾患の発症リスクを予測し、
    前記出力手順は、前記疾患の発症リスクを出力する、
    前記各手順をコンピュータに実行させるためのプログラムを記録しているコンピュータ読み取り可能な記録媒体。
  14. 前記疾患関連情報として、さらに、クレアチニン換算推算糸球体ろ過量（eGFR Cre）に関する情報を含む、請求項１３記載の記録媒体。
  15. 前記肺がんが、国際疾病分類ＩＣＤ－１０のＣ３４（気管支及び肺の悪性新生物＜腫瘍＞）に分類される少なくとも１つである、請求項１３又は１４記載の記録媒体。

     
PCT/JP2025/016739 2024-07-01 2025-05-07 疾患発症リスク予測装置、予測マーカー、予測方法、プログラム、及び記録媒体 Pending WO2026009558A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2024105977 2024-07-01
JP2024-105977 2024-07-01

Publications (1)

Publication Number Publication Date
WO2026009558A1 true WO2026009558A1 (ja) 2026-01-08

Family

ID=98318057

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2025/016739 Pending WO2026009558A1 (ja) 2024-07-01 2025-05-07 疾患発症リスク予測装置、予測マーカー、予測方法、プログラム、及び記録媒体

Country Status (1)

Country Link
WO (1) WO2026009558A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011524754A (ja) * 2008-02-13 2011-09-08 キットウェア インク 細胞の損傷および疾患のリスクを測定する方法およびシステム
US20230178175A1 (en) * 2021-12-03 2023-06-08 MEDIAGE Co.,Ltd Cancer risks prediction method and system based on biological age using family history and lifestyles information
WO2024128987A2 (en) * 2022-12-15 2024-06-20 MiRXES Lab Pte. Ltd. Circulating biomarkers for the detection of lung cancer and methods thereof

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011524754A (ja) * 2008-02-13 2011-09-08 キットウェア インク 細胞の損傷および疾患のリスクを測定する方法およびシステム
US20230178175A1 (en) * 2021-12-03 2023-06-08 MEDIAGE Co.,Ltd Cancer risks prediction method and system based on biological age using family history and lifestyles information
WO2024128987A2 (en) * 2022-12-15 2024-06-20 MiRXES Lab Pte. Ltd. Circulating biomarkers for the detection of lung cancer and methods thereof

Similar Documents

Publication Publication Date Title
Jacob et al. Mortality prediction in idiopathic pulmonary fibrosis: evaluation of computer-based CT analysis with conventional severity measures
Grogan et al. Natural history of wild-type transthyretin cardiac amyloidosis and risk stratification using a novel staging system
Jo et al. Baseline characteristics of idiopathic pulmonary fibrosis: analysis from the Australian Idiopathic Pulmonary Fibrosis Registry
Gülcicegi et al. Prognostic assessment of liver cirrhosis and its complications: current concepts and future perspectives
JP2015517653A (ja) 消化器癌のリスクを評価する方法およびシステム
Miniati et al. Survival in COPD: impact of lung dysfunction and comorbidities
Xue et al. The association of growth differentiation factor-15 with left ventricular hypertrophy in hypertensive patients
EP3750168B1 (en) A system and method of generating a model to detect, or predict the risk of, an outcome
CN119959557A (zh) 蛋白标志物在制备用于预测受试者未来冠心病发病风险的产品中的应用
Potter et al. Use of clinical and echocardiographic evaluation to assess the risk of heart failure
Nguyen et al. Outcome prediction model and prognostic biomarkers for COVID-19 patients in Vietnam
Amir et al. Feasibility of remote speech analysis in evaluation of dynamic fluid overload in heart failure patients undergoing haemodialysis treatment
Mazzotti et al. OSA symptom subtypes and hypoxic burden independently predict distinct cardiovascular outcomes
Ying et al. Endocan, a risk factor for developing acute respiratory distress syndrome among severe pneumonia patients
Abbas et al. Persistent hypercarbia after resuscitation is associated with increased mortality in congenital diaphragmatic hernia patients
WO2026009558A1 (ja) 疾患発症リスク予測装置、予測マーカー、予測方法、プログラム、及び記録媒体
Negre et al. Early suPAR levels as a predictor of COVID-19 severity: A new tool for efficient patient triage
Procter et al. Visual vs. computer-based computed tomography analysis for the identification of functional patterns in interstitial lung diseases
Cendrós et al. Rehospitalization, mortality and associated variables in primary care patients with heart failure and preserved ejection fraction after first hospitalization
Naderi et al. Diagnostic and prognostic value of ECG-predicted hypertension-mediated left ventricular hypertrophy using machine learning
WO2025173351A1 (ja) 疾患発症リスク予測装置、予測マーカセット、予測方法、プログラム、及び記録媒体
Fleury et al. Unsupervised machine learning analysis to enhance risk stratification in patients with asymptomatic aortic stenosis
Robertson et al. A glossary for social-to-biological research
Kabra et al. Carotid Intima‐Media Thickness Assessment in Refinement of the F ramingham R isk S core: Can It Predict ST‐Elevation Myocardial Infarction? A Pilot Study
WO2025173347A1 (ja) 疾患発症リスク予測装置、予測マーカセット、予測方法、プログラム、及び記録媒体

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: 25832511

Country of ref document: EP

Kind code of ref document: A1