JP2006302222A - Cancer onset risk prediction system and method, and cancer derivative method - Google Patents
Cancer onset risk prediction system and method, and cancer derivative method Download PDFInfo
- Publication number
- JP2006302222A JP2006302222A JP2005144658A JP2005144658A JP2006302222A JP 2006302222 A JP2006302222 A JP 2006302222A JP 2005144658 A JP2005144658 A JP 2005144658A JP 2005144658 A JP2005144658 A JP 2005144658A JP 2006302222 A JP2006302222 A JP 2006302222A
- Authority
- JP
- Japan
- Prior art keywords
- cancer
- accuracy
- screening
- derivative
- treatment
- 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
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 317
- 201000011510 cancer Diseases 0.000 title claims abstract description 311
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000011282 treatment Methods 0.000 claims abstract description 83
- 238000009826 distribution Methods 0.000 claims abstract description 43
- 238000004088 simulation Methods 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000003860 storage Methods 0.000 claims abstract description 23
- 238000012216 screening Methods 0.000 claims description 135
- 108010044467 Isoenzymes Proteins 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 13
- 239000000439 tumor marker Substances 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 10
- 208000006994 Precancerous Conditions Diseases 0.000 claims description 8
- 210000002966 serum Anatomy 0.000 claims description 8
- 230000004614 tumor growth Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004393 prognosis Methods 0.000 claims description 5
- 238000001962 electrophoresis Methods 0.000 claims description 4
- 102000004169 proteins and genes Human genes 0.000 claims description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 239000012192 staining solution Substances 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 2
- 230000036541 health Effects 0.000 claims description 2
- 238000013500 data storage Methods 0.000 abstract description 26
- 238000010219 correlation analysis Methods 0.000 abstract description 21
- 238000013461 design Methods 0.000 abstract description 4
- 230000000295 complement effect Effects 0.000 abstract 1
- 102000002260 Alkaline Phosphatase Human genes 0.000 description 16
- 108020004774 Alkaline Phosphatase Proteins 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 210000004027 cell Anatomy 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000002600 positron emission tomography Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 102000004190 Enzymes Human genes 0.000 description 4
- 108090000790 Enzymes Proteins 0.000 description 4
- 230000034994 death Effects 0.000 description 4
- 231100000517 death Toxicity 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011369 optimal treatment Methods 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 102000012406 Carcinoembryonic Antigen Human genes 0.000 description 3
- 108010022366 Carcinoembryonic Antigen Proteins 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003127 radioimmunoassay Methods 0.000 description 3
- AOYNUTHNTBLRMT-SLPGGIOYSA-N 2-deoxy-2-fluoro-aldehydo-D-glucose Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](F)C=O AOYNUTHNTBLRMT-SLPGGIOYSA-N 0.000 description 2
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- 108010079337 Tissue Polypeptide Antigen Proteins 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 210000004698 lymphocyte Anatomy 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 229920001817 Agar Polymers 0.000 description 1
- 101710189454 Alkaline protease 2 Proteins 0.000 description 1
- 102100020724 Ankyrin repeat, SAM and basic leucine zipper domain-containing protein 1 Human genes 0.000 description 1
- 102000008857 Ferritin Human genes 0.000 description 1
- 108050000784 Ferritin Proteins 0.000 description 1
- 238000008416 Ferritin Methods 0.000 description 1
- 101000785414 Homo sapiens Ankyrin repeat, SAM and basic leucine zipper domain-containing protein 1 Proteins 0.000 description 1
- 101000925453 Homo sapiens Isoaspartyl peptidase/L-asparaginase Proteins 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 229910019142 PO4 Inorganic materials 0.000 description 1
- 102000006382 Ribonucleases Human genes 0.000 description 1
- 108010083644 Ribonucleases Proteins 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 239000000427 antigen Substances 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- SQVRNKJHWKZAKO-UHFFFAOYSA-N beta-N-Acetyl-D-neuraminic acid Natural products CC(=O)NC1C(O)CC(O)(C(O)=O)OC1C(O)C(O)CO SQVRNKJHWKZAKO-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003018 immunoassay Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 210000000936 intestine Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 description 1
- 239000010452 phosphate Substances 0.000 description 1
- 210000002826 placenta Anatomy 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- SQVRNKJHWKZAKO-OQPLDHBCSA-N sialic acid Chemical compound CC(=O)N[C@@H]1[C@@H](O)C[C@@](O)(C(O)=O)OC1[C@H](O)[C@H](O)CO SQVRNKJHWKZAKO-OQPLDHBCSA-N 0.000 description 1
- 210000000813 small intestine Anatomy 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
Description
本発明は特定の癌検診の結果に基づいて変化する癌発症リスクを、特定の条件の下に予測するシステム及び方法、並びにトリガーボンドであって、その癌検診の結果に基づいて最適な治療をデリバティブ補償することによって更に重篤な癌の罹患リスクを減じ、この効果を補償条件に反映させる癌デリバティブ方法に関する。The present invention relates to a system and method for predicting cancer development risk that changes based on the result of a specific cancer screening under a specific condition, and a trigger bond, and an optimal treatment is performed based on the result of the cancer screening. The present invention relates to a cancer derivative method in which the risk of more serious cancer is reduced by derivative compensation, and this effect is reflected in the compensation conditions.
近年、様々なトリガーボンド（特定の条件を満たす事象であるトリガーイベントが発生したとき、事故査定、損害の証明を行うことなく、予め契約した補償金を自動的に支払う金融派生商品）が考案され、商品化されている。代表的な例としては天候デリバティブと呼ばれるものがあり、天候が与える事業への影響を、過去の天候と売上げなど事業の成果に関する相関関係から一定のシミュレーションを予測し、それに対するシナリオ作成や、損害の保険料率などを生成するシステムや、方法、並びにデリバティブの条件付与を行う方法などが実用化している。
トリガーボンドには、地震デリバティブなど、既存で地震に対する損害補償が得られにくい地域に補償をもたらすものや、近年地震が無く顧客の感心の薄い地域でのデリバティブ商品の販売を促進する為に、観測結果の解析やリスク予測を実施し、その結果を顧客に通知し保険料率を計算の上デリバティブ補償条件を付与するという方法などがある。In recent years, various trigger bonds have been devised (financial derivative products that automatically pay pre-contracted compensation money without triggering an accident assessment or proof of damage when a trigger event occurs that meets certain conditions). Have been commercialized. A typical example is the so-called weather derivative. The impact of the weather on the business is predicted from a certain simulation based on the correlation between the past weather and business results such as sales, and scenario creation and damage A system and method for generating insurance premiums, etc., and a method for assigning derivatives are put into practical use.
Trigger Bonds are observations to promote the sale of derivative products in areas where earthquake damage, such as earthquake derivatives, is difficult to obtain damage compensation for existing earthquakes, or in areas where there has been no earthquake in recent years and customers are less appreciable. There are methods such as analysis of results and risk prediction, notification of the results to customers, calculation of insurance premium rate, and provision of derivative compensation conditions.
一方で、癌の検診も進歩を遂げ、現在では、高精度腫瘍マーカー検診や、ＰＥＴ（ポジトロン・エミッション・トモグラフィ）などの高精度な癌検診が実施され、癌の早期発見事例が増加している。ＰＥＴによる癌検査とは、癌細胞が正常細胞よりも数倍から多い場合は２０倍近くのブドウ糖を消費する性質を利用した検査である。ブドウ糖によく似た構造のＦＤＧ（フルオロデオキシグルコース）という薬剤を注射した後、その集まり方を画像化して診断するものであり、一般にＣＴやＭＲＩが、がんなどの“大きさや形”をとらえるのに対して、ＰＥＴ検査はがん細胞などの高まった代謝状態をとらえる検査で、数ミリのがん病巣が発見された例もある。On the other hand, cancer screening has also progressed, and high-accuracy cancer screening such as high-accuracy tumor marker screening and PET (positron emission tomography) has been carried out, and the number of cancer early detection cases has increased. Yes. The cancer test by PET is a test using the property of consuming nearly 20 times glucose when the number of cancer cells is several times higher than that of normal cells. After injecting a drug called FDG (fluorodeoxyglucose) with a structure very similar to glucose, it is diagnosed by imaging how it is gathered. In general, CT and MRI capture the “size and shape” of cancer, etc. On the other hand, the PET test is a test that captures an increased metabolic state of cancer cells and the like, and in some cases, a cancer lesion of several millimeters has been discovered.
ＰＥＴ検査では、今までの検診では調べにくかった臓器なども含め、特定の部位や臓器に狙いを定めずに体の広範囲を一度に検査することができ、良性・悪性の判断、転移や再発の把握などにも有効である。
また、高精度な腫瘍マーカー検診でも新しい手法や評価方法が開発され、今まで発見が困難だったミリ癌の発見も可能となってきた。この高精度な腫瘍マーカー検診では、見かけ上の健常状態を更に細分化して癌罹患の可能性をステージ別に評価可能となっている。In PET examinations, it is possible to examine a wide range of the body at once without aiming at specific parts or organs, including organs that were difficult to examine by conventional examinations, benign / malignant judgment, metastasis and recurrence It is also effective for grasping.
In addition, new methods and evaluation methods have been developed for high-accuracy tumor marker screening, and it has become possible to detect millicancers that have been difficult to detect. This high-accuracy tumor marker screening makes it possible to further subdivide the apparent healthy state and evaluate the possibility of cancer by stage.
腫瘍マーカーによる癌の評価方法の中で、ＡＬＰ（アルカリフォスフォターゼ）アイソザイムを用いる方法が注目されている。ＡＬＰはリン酸を切り離す働きを持つ酵素で、骨、肝臓、胎盤、小腸などの臓器ごとにそれぞれ分子量が違うものが存在する。またこのような臓器ごとに複数の酵素が有る場合、それらは互いにアイソザイムと呼ばれている。癌の患者では、健常者と分子量が違うアイソザイムが作られることが知られており、このアイソザイムのパターンを検査及び評価することにより骨、肝臓、腸などに発生した微小癌を発見することが可能である。Among methods for evaluating cancer using tumor markers, a method using ALP (alkaline phosphatase) isozyme has attracted attention. ALP is an enzyme that has the function of cutting out phosphate, and there are different molecular weights for each organ such as bone, liver, placenta, and small intestine. Further, when there are a plurality of enzymes in each organ, they are called isozymes. Cancer patients are known to produce isozymes that have different molecular weights from healthy individuals, and by examining and evaluating the pattern of this isozyme, it is possible to discover small cancers that have occurred in bones, liver, intestines, etc. It is.
近年では、このＡＬＰアイソザイムを用いた腫瘍マーカー検診の高精度化が図られており、例えば一定時間の腫瘍マーカー値の変化と、アイソザイムのパターン変化とから１０μｇ〜１ｇの微小癌の検出を可能とする技術などが登場している。In recent years, the accuracy of tumor marker screening using this ALP isozyme has been improved. For example, it is possible to detect a microcancer of 10 μg to 1 g from a change in a tumor marker value for a certain period of time and a pattern change of an isozyme. Technology to do has appeared.
しかしながら、これら高精度な癌検診を受診するには高価な受診料が必要であり、また受診結果においても、今まで健常状態と診断された受診者が将来の癌キャリアである可能性を告知されることが発生し、そのための治療費負担などに大きな経済的支出が要求されることになる。しかも臨床癌に対する保険が、前臨床癌状態（臨床癌では無いが、緊急を要しない微小な癌が存在するか、将来癌に罹患する可能性の高い状態）に適用されない事態も想定され、検診者の経済的負担はより大きなものとなるため、折角の高精度な検診がもたらす社会的意義が損なわれることも予想される。However, in order to receive these high-accuracy cancer screenings, an expensive consultation fee is required, and the results of the consultation also indicate that a patient who has been diagnosed as having a healthy condition so far may be a future cancer carrier. Therefore, a large economic expenditure is required for the burden of treatment costs. In addition, it is assumed that insurance for clinical cancer is not applied to preclinical cancer conditions (they are not clinical cancers but there are microscopic cancers that are not urgent or are likely to have cancer in the future). Since the economic burden on the elderly will be greater, it is also expected that the social significance brought about by the highly accurate screening will be impaired.
また、臨床癌の罹患に関するリスク率は、例えば年齢などの一つのファクターに依存するものではなく、様々なリスクファクターの合算値で求める必要がある。特に注目するのは前臨床癌状態と診断された場合の将来のリスクの推移という点である。癌の罹患に対する保険を設定しようとすれば、従来は加入時の年齢によって均一的に保険料率が決定されることが多かったが、定期的に検診を実施する場合そこで前臨床癌状態が疑われると、その進行の状況や、そこで治療を受けた場合とそうでない場合、またその治療の内容など、複数のファクターによって癌罹患のリスクは大きく変動することとなる。In addition, the risk rate related to the clinical cancer is not dependent on one factor such as age, but needs to be obtained as a sum of various risk factors. Of particular note is the future risk transition when a preclinical cancer condition is diagnosed. In the past, when trying to set up insurance against cancer, the insurance premium rate was often determined uniformly by age at the time of enrollment, but pre-clinical cancer status is suspected when regular screening is performed. The risk of developing cancer varies greatly depending on a number of factors, such as the status of its progression, whether it is treated or not, and the content of the treatment.
従来の技術、特に高精度な癌検診の無かった時代の技術では、このような前臨床癌の将来の癌罹患リスクについての評価方法が無く、また複数の将来起こりうる要因に対する、将来のリスク予測を立てるすべが無かった。また一つのトリガーイベントでデリバティブ補償条件が終了するケースだけでなく、医療の高度化に伴い複数の補償条件を設定することが必要とされるケースも生じるが、現在ではその条件設定の方法や計算の為のシステムが未整備である。In conventional technology, especially in the era when there was no high-accuracy cancer screening, there is no method for assessing the risk of future cancer of such preclinical cancers, and future risk predictions for multiple possible future factors There was no way to stand up. In addition to the case where the derivative compensation conditions are terminated by a single trigger event, there are cases where multiple compensation conditions are required due to advancement of medical care. The system for this is undeveloped.
また、このような高精度な癌検診が広く実施されると、前臨床癌に保険の範囲を広げることも想定できるが、保険料率の上昇は否めない。
まず、前臨床癌状態の将来の臨床癌罹患の可能性や、前臨床癌の際の治療に要する費用負担など損害額の予測を実施可能なシステム、方法を考案することが第一の課題となる。In addition, if such high-accuracy cancer screening is widely implemented, it can be assumed that the scope of insurance for preclinical cancer is expanded, but an increase in the insurance premium rate cannot be denied.
First of all, the first issue is to devise a system and method that can predict the amount of damage such as the possibility of preclinical cancer in the future and the cost of treatment for preclinical cancer. Become.
一方で、前臨床癌状態にある者の保険料率などを高精度な癌検診の結果に連動して補正し、癌検査技術の進歩に伴う従来の保険料率上昇を抑えることが第二の課題であり、また前臨床癌状態に一定のデリバティブ補償を実施し、高度な癌検査の有用性を補完して早期治療を促進するための基礎データを与えることが第三の課題、前臨床癌に対して最適な治療を実施することを要件としたデリバティブ補償の設計と、その治療の種類ごとに将来の臨床癌罹患のリスクの数値化を提供することが第四の課題となる。On the other hand, the second challenge is to correct the insurance premium rate of people with preclinical cancer conditions in conjunction with the results of high-accuracy cancer screening, and to suppress the increase in the conventional insurance premium rate due to advances in cancer screening technology. There is also a third challenge for preclinical cancer to provide basic data to compensate for preclinical cancer conditions and to provide early data for supplementing the usefulness of advanced cancer tests. The fourth challenge is to design a derivative compensation that requires optimal treatment to be performed and to provide a quantification of the risk of future clinical cancers for each type of treatment.
また健常状態の者に対して保険料の補正をする方法として、健常状態と分類されることを要件として検診料の補償を提供するための各種計算を実現することが第五の課題となる。In addition, as a method for correcting insurance premiums for those who are in a healthy state, it is a fifth problem to realize various calculations for providing compensation for a checkup fee on the condition that it is classified as a healthy state.
保険料率のバランスでいうと、まず健常状態に分類された者については検診料を補償し、前臨床癌状態に分類された者については保険料率の増加に代えて特定の治療を実施させ、将来の臨床癌リスクの低減化を図り、且つこの治療費を補償するというデリバティブの条件シミュレーションを可能とすることがこの第五の課題の趣旨となる。In terms of the balance of insurance premiums, first, those who are classified as healthy will be compensated for screening fees, and those who are classified as preclinical cancer will be given specific treatments instead of an increase in insurance premiums. The purpose of the fifth problem is to enable a condition simulation of a derivative to reduce the risk of clinical cancer and to compensate for the treatment cost.
［構成１］本発明は、前記課題を解決する為に、少なくとも演算手段と記憶手段とを備え、特定の条件の下に、臨床癌発症リスクを予測する予測システムであって、前記記憶手段には、
前臨床癌の検出が可能な特定の高精度癌検診における過去の検診結果を、癌の存在可能性を示す特定の数値を元に、健常状態と、該癌の存在可能性を否定できない見かけ上の健常状態と、臨床癌状態と、に分類し、前記各分類毎にデータの参照を可能に記録した、高精度癌検診クラスタリングデータベースと、
前記高精度癌検診クラスタリングデータベースにおいて、前記各分類毎に特定の期間後に受けた前記高精度癌検診の再診結果を前記各分類毎にデータの参照を可能に記録した、高精度癌検診再診結果データベースと、を備え、
前記高精度癌検診クラスタリングデータ及び前記高精度癌検診再診結果データの相関を演算して、前記高精度癌検診の結果又は前記特定の期間を変数とした臨床癌状態分布を算出する臨床癌状態分布算出手段と、
前記高精度癌検診を受診した特定の受診者が、その受診結果によって計算される、特定期間後に臨床癌に罹患する可能性の予測を生成するシミュレーション手段と、を備えることを特徴とした。[Configuration 1] In order to solve the above problems, the present invention is a prediction system that includes at least computing means and storage means, and predicts the risk of developing clinical cancer under specific conditions. Is
Based on specific numerical values indicating the existence of cancer based on past screening results in specific high-accuracy cancer screening that can detect preclinical cancer, it is apparent that the existence of the cancer cannot be denied. A high-accuracy cancer screening clustering database, which is classified into healthy states and clinical cancer states, and records the data for each classification.
In the high-accuracy cancer screening clustering database, the reexamination result of the high-accuracy cancer screening received after a specific period for each of the classifications is recorded so that data can be referred to for each of the classifications. A results database,
Calculate the correlation between the high-accuracy cancer screening clustering data and the high-accuracy cancer screening re-examination result data, and calculate the clinical cancer state distribution using the result of the high-accuracy cancer screening or the specific period as a variable Distribution calculation means;
And a simulation means for generating a prediction of the possibility of suffering from clinical cancer after a specific period, which is calculated based on the result of the medical checkup, which is received by the high-accuracy cancer screening.
ここで臨床癌とは、初期癌、進行癌、末期癌など医療的に緊急の加療を要する癌罹患状態をいう。臨床癌は部位にもよるが、概ね１グラム以上の癌で各種検診によって医療機関によって発見され癌と診断されることによって明らかにされる。癌細胞は健常状態の人間にも微量存在し、これら微小な癌細胞が臨床癌と診断されるまでには、通常数年から数十年の期間を要することが知られている。一般の癌保険はこの臨床癌に対して補償を実施するものであり、微小な癌細胞の発見に対してどこまで補償の対象とするか曖昧なことが多く、精度の高い検査技術が開発されていくとより小さな癌でも治療を受けることが必要となってくるのに対し、補償の実施が制限される場合が増加する。Here, clinical cancer refers to a cancer-affected state that requires medically urgent medical treatment, such as early stage cancer, advanced cancer, and end stage cancer. Although clinical cancer depends on the site, it is generally clarified by finding a cancer of 1 g or more by various medical examinations by medical institutions and diagnosing cancer. It is known that cancer cells are present in minute amounts in healthy humans, and it usually takes several to several decades before these minute cancer cells are diagnosed as clinical cancer. General cancer insurance compensates for this clinical cancer, and it is often ambiguous how far the target of compensation is for the discovery of minute cancer cells, and highly accurate testing techniques have been developed. While smaller cancers will need to be treated, the number of cases where compensation is limited increases.
ここで予測システムとは、一つ又は複数のコンピュータシステムや、ネットワークを介して接続されたサーバークライアント方式のコンピュータシステムなど、装置であるハードとプログラムなどであるソフトとから構成され、ＣＰＵなどの演算装置と、そこに備えられたプログラムなどで構成される。また記憶手段は、ハードディスクやメモリなどの記憶部に各種記録を実施するプログラムなどで構成される。
予測システムにはこの他、更に臨床癌発生のリスク率と、デリバティブ補償条件（デリバティブ対象条件、プレミアム料等）などを算出する為に、シミュレーション手段の結果から複数の癌発生シナリオを生成する手段や、この癌発生シナリオの条件と一致する相関データを抽出する手段や、その相関データの臨床癌状態分布に適合する値を生成し、癌リスク率を算出して、デリバティブ補償条件を生成する手段などを設けることが可能である。Here, the prediction system includes one or a plurality of computer systems, a server client type computer system connected via a network, or the like, which is hardware such as a device and software such as a program, and is operated by a CPU or the like. It consists of a device and a program provided there. The storage means is configured by a program for performing various recordings in a storage unit such as a hard disk or a memory.
In addition to the prediction system, there is a means to generate multiple cancer occurrence scenarios from the results of simulation means to calculate the risk rate of clinical cancer occurrence and derivative compensation conditions (derivative target conditions, premium fees, etc.) , Means for extracting correlation data that matches the conditions of this cancer occurrence scenario, means for generating values that match the clinical cancer state distribution of the correlation data, calculating cancer risk rates, and generating derivative compensation conditions, etc. Can be provided.
ここで高精度癌検診とは、少なくとも健常状態と臨床癌状態の検出とともに、前臨床癌状態を検出可能な検診であることを要件とする。前臨床癌状態は更に複数のステージに分類できることが好ましい。ここで見かけ上の健常状態とは、この前臨床癌が検出され、又は疑われる状態をいう。Here, the high-accuracy cancer screening is required to be a screening capable of detecting a preclinical cancer state together with at least detection of a healthy state and a clinical cancer state. Preferably, preclinical cancer states can be further classified into multiple stages. Here, the apparent healthy state means a state in which this preclinical cancer is detected or suspected.
高精度癌検診再診結果データベースは、少なくとも同一の該高精度癌検診を複数受診した結果によって生成されるデータであって、統計処理に使用される。また、相関分析はデータマイニングなどの手法が利用可能である。シミュレーション手段は、例えば複数の特定時点での癌罹患リスクを算出するものや、癌状態分布を元に多次元的に癌罹患リスクを視覚化するものなど、様々な構成が考えられる。The high-accuracy cancer screening reexamination result database is data generated based on a result of receiving a plurality of at least the same high-accuracy cancer screening, and is used for statistical processing. For correlation analysis, a method such as data mining can be used. Various configurations are conceivable for the simulation means, for example, one that calculates cancer risk at a plurality of specific points in time, and one that visualizes cancer risk in a multidimensional manner based on cancer state distribution.
［構成２］構成１に記載の予測システムであって、前記高精度癌検診の受診をする以前の顧客に対する、臨床癌罹患をトリガーイベントとしたデリバティブ補償の保険料率を記憶する手段と、前記シミュレーション手段によって生成されたシミュレーション結果から、前記各分類毎に適正な保険料率の補正条件を生成する分類別保険料率補正手段と、を更に備えることを特徴とした。[Configuration 2] The prediction system according to
本構成では、トリガーイベントは、臨床癌罹患の事実を前記高精度癌検診を実施する医療機関が明確な基準数値を元に認定することであり、その認定に基づいて入院をすること、手術をすることなどの追加条件を付加することも可能である。本構成ではまず特定の高精度癌検診を実施する前に従来の癌保険を従来の料率で設定し、該特定の高精度癌検診の結果を元に料率などの補正条件を初期設定に付与することにより、適正な保険料率の再設定が可能となる。In this configuration, the trigger event is that the medical institution that conducts the high-accuracy cancer screening recognizes the fact that clinical cancer is afflicted based on a clear reference value. It is also possible to add additional conditions such as to do. In this configuration, before conducting a specific high-accuracy cancer screening, the conventional cancer insurance is set at a conventional rate, and correction conditions such as a rate are assigned to the initial setting based on the result of the specific high-accuracy cancer screening This makes it possible to reset the appropriate insurance premium rate.
［構成３］構成１乃至構成２のいずれかに記載の予測システムであって、複数の前記高精度癌検診において、それぞれの前記高精度癌検診毎の前記高精度癌検診クラスタリングデータベースと、
前記高精度癌検診再診結果データベースと、を備え、
複数の前記高精度癌検診を更に変数として、前記臨床癌状態分布を算出する検診別臨床癌状態分布算出手段を更に備えたことを特徴とした。[Configuration 3] The prediction system according to any one of
The high-accuracy cancer screening reexamination result database,
A clinical cancer state distribution calculating means for each screening for calculating the clinical cancer state distribution using the plurality of high-accuracy cancer screenings as variables is further provided.
本構成では、癌検診の精度により治療を受ける対象が増減することを数値化し、その受ける検診毎に適正なデリバティブ補償条件などを算定することが可能である。詳細に前臨床癌状態を検出可能であれば、それだけ前臨床癌診断時の治療に対するデリバティブ補償が増加するが、反面臨床癌に罹患する人数は減少し、そのデリバティブ補償が減ずるため、これらデリバティブ補償条件の算出や、癌検診の精度などによるデリバティブ補償条件の違いを統計化することや、その癌検診の評価を生成することが可能である。In this configuration, it is possible to quantify the increase or decrease in the number of subjects to receive treatment depending on the accuracy of cancer screening, and calculate appropriate derivative compensation conditions for each screening received. If the preclinical cancer status can be detected in detail, derivative compensation for treatment at the time of preclinical cancer diagnosis will increase, but on the other hand, the number of people suffering from clinical cancer will decrease, and the derivative compensation will be reduced. It is possible to statistically calculate the difference in derivative compensation conditions depending on the calculation of conditions and the accuracy of cancer screening, and to generate an evaluation of the cancer screening.
［構成４］構成１乃至構成３のいずれかに記載の予測システムであって、前記見かけ上の健常状態は、更に前記高精度癌検診による癌の異常レベルに応じた複数のステージを有し、
更に前記臨床癌状態分布を、前記複数のステージ毎に前記シミュレーション手段の結果を分類し、該分類毎の臨床癌に罹患する可能性の予測を生成することが可能に構成されたことを特徴とした。[Configuration 4] The prediction system according to any one of
Furthermore, the clinical cancer state distribution is configured to be able to classify the results of the simulation means for each of the plurality of stages and generate a prediction of the likelihood of suffering clinical cancer for each classification. did.
本構成では臨床癌が初期癌、進行癌、末期癌等その異常レベルに応じて分類されていることと同様に、前臨床癌においてもその異常レベルに応じて分類し、各分類毎にリスク率を補正することができる、予測システムを提供することが可能である。In this configuration, just as clinical cancers are classified according to their abnormal levels, such as early stage cancer, advanced cancer, and end stage cancer, pre-clinical cancers are also classified according to their abnormal level, and the risk rate for each category. It is possible to provide a prediction system that can correct the error.
［構成５］構成１乃至構成４のいずれかに記載の予測システムであって、前記複数のステージは、微小癌も検知できない理想的状態をステージＩ、ミクログラムレベルの前癌状態をステージＩＩ、ミリグラムレベルの前癌状態をステージＩＩＩ、１ｇ未満の前臨床癌状態をステージＩＶ、及び１ｇ以上の癌が推定される臨床癌状態をステージＶとする腫瘍成長度ステージであって、
前記シミュレーション手段は、前記腫瘍成長度ステージ毎に、将来の臨床癌に罹患する可能性の予測を生成することを特徴とした。[Configuration 5] The prediction system according to any one of
The simulation means generates a prediction of the possibility of suffering from a future clinical cancer for each tumor growth degree stage.
本構成では前臨床癌を中心に細分化することが最終ステージであるステージＶのリスクを減ずる為に必要だとの仮定に基づき、理想的な補償条件を生成するためのシステムを提供する。癌の検知は実際の病状と連動するものではなく、最適な補償を元に検査受診者の全体の補償条件を最適化するものであるため、検査の臨床実績、医学的証明によることなく数値として管理することが可能である。In this configuration, a system for generating ideal compensation conditions is provided based on the assumption that subdivision centering on preclinical cancer is necessary to reduce the risk of stage V, which is the final stage. The detection of cancer is not linked to the actual medical condition, and is based on optimal compensation and optimizes the overall compensation conditions of the test examinee. It is possible to manage.
［構成６］構成１、２、４、５のいずれかに記載の予測システムであって、前記高精度癌検診は、電気泳動して分画し、血清中の蛋白を分離して、ＡＬＰアイソザイム染色液にて発色させてＡＬＰアイソザイムを検出し、その癌の危険度を評価する方法を少なくとも含む腫瘍マーカー検診であることを特徴とした。[Configuration 6] The prediction system according to any one of
高精度癌検診は、少なくともミリ癌、できればミクロ癌の検出が可能であることが好ましい。ＡＬＰアイソザイムの検出による特定の癌の評価方法は、本明細書の技術背景に記載の特許文献３でミクロ癌の検出可能性の高い検診であることが公知となっている。It is preferable that the high-accuracy cancer screening can detect at least millicancer, preferably microcancer. A specific cancer evaluation method based on detection of ALP isozymes is known in
［構成７］構成１乃至構成６のいずれかに記載の予測システムであって、前記特定期間は、最初の前記高精度癌検診から起算して一定の期間毎に実施される定期的な前記高精度癌検診と、次回の前記高精度癌検診との実施間隔であることを特徴とした。[Configuration 7] The prediction system according to any one of
高精度癌検診を定期的に実施し、その履歴を統計化し、かつリスク率を管理することにより、より詳細なデリバティブ補償条件を生成することが可能となる。特定期間は、前臨床癌の成長を考慮して年一度とすることが好ましい。It is possible to generate more detailed derivative compensation conditions by regularly conducting high-accuracy cancer screening, statisticalizing the history, and managing the risk rate. The specific period is preferably once a year in consideration of the growth of preclinical cancer.
［構成８］構成１乃至構成７のいずれかに記載の予測システムであって、前記臨床癌状態分布算出手段は、前記臨床癌状態の分布を正規分布によって近似して演算することを特徴とした。[Configuration 8] The prediction system according to any one of
相関関係が正規分布に規定されているときは、正規分布に適合する数値を抽出して相関関係に当てはめ、対応する癌罹患リスクを求めることが可能であり、特に複数の条件を元に相関関係を分析する場合に有効である。When the correlation is defined as a normal distribution, it is possible to extract a numerical value that fits the normal distribution and apply it to the correlation to find the corresponding cancer risk, especially based on multiple conditions This is effective when analyzing
［構成９］
少なくとも演算手段と記憶手段とを備える予測システムを用いて、特定の条件の下に、臨床癌発症リスクを予測する予測方法であって、
前記記憶手段に記憶された前記高精度癌検診クラスタリングデータ及び前記高精度癌検診再診結果データの相関を演算して、前記高精度癌検診の結果又は前記特定の期間を変数とした臨床癌状態分布を算出し、
前記高精度癌検診を受診した特定の受診者が、その受診結果によって計算される、特定期間後に臨床癌に罹患する可能性の予測を生成することを特徴とした。[Configuration 9]
A prediction method for predicting a risk of developing clinical cancer under specific conditions using a prediction system comprising at least a calculation means and a storage means,
Calculate the correlation between the high-accuracy cancer screening clustering data and the high-accuracy cancer screening re-examination result data stored in the storage means, and the clinical cancer state using the result of the high-accuracy cancer screening or the specific period as a variable Calculate the distribution,
A specific person who has received the high-accuracy cancer screening generates a prediction of the possibility of suffering from clinical cancer after a specific period, which is calculated based on the result of the medical examination.
［構成１０］構成９に記載の予測方法であって、前記高精度癌検診の受診をする以前の顧客に対する、臨床癌罹患をトリガーイベントとしたデリバティブ補償の保険料率を記憶するステップと、前記シミュレーション手段によって生成されたシミュレーション結果から、前記各分類毎に適正な保険料率の補正条性を生成するステップと、を更に備えることを特徴とした。[Configuration 10] The prediction method according to
［構成１１］構成９又は構成１０のいずれかに記載の予測方法であって、複数の前記高精度癌検診の結果データベースから、複数の前記高精度癌検診を更に変数として、前記臨床癌状態分布を算出することを特徴とした。[Configuration 11] The prediction method according to any one of
［構成１２］構成９乃至構成１１のいずれかに記載の予測方法であって、
前記見かけ上の健常状態は、更に前記高精度癌検診による癌の異常レベルに応じた複数のステージを有し、
更に前記臨床癌状態分布を、前記複数のステージ毎に分類し、該分類毎の臨床癌に罹患する可能性の予測を生成することを特徴とした。[Configuration 12] The prediction method according to any one of
The apparent healthy state further has a plurality of stages according to the abnormal level of cancer by the high-accuracy cancer screening,
Further, the clinical cancer state distribution is classified for each of the plurality of stages, and a prediction of the possibility of suffering from clinical cancer for each classification is generated.
［構成１３］構成９乃至構成１２のいずれかに記載の予測方法であって、
前記複数のステージは、微小癌も検知できない理想的状態をステージＩ、ミクログラムレベルの前癌状態をステージＩＩ、ミリグラムレベルの前癌状態をステージＩＩＩ、１ｇ未満の前臨床癌状態をステージＩＶ、及び１ｇ以上の癌が推定される臨床癌状態をステージＶとする腫瘍成長度ステージであり、前記腫瘍成長度ステージ毎に将来の臨床癌に罹患する可能性の予測を生成することを特徴とした。[Configuration 13] The prediction method according to any one of
The plurality of stages include an ideal state in which a minute cancer cannot be detected, stage I, a microgram level precancerous state, stage II, a milligram level precancerous state, stage III, a preclinical cancer state of less than 1 g, stage IV, And a tumor growth stage having a stage V as a clinical cancer state in which cancer of 1 g or more is estimated, and generating a prediction of the possibility of suffering from a future clinical cancer for each tumor growth stage .
［構成１４］構成９、１０、１２、１３のいずれかに記載の予測方法であって、
前記高精度癌検診は、電気泳動して分画し、血清中の蛋白を分離して、ＡＬＰアイソザイム染色液にて発色させてＡＬＰアイソザイムを検出し、その癌の危険度を評価する方法を少なくとも含む腫瘍マーカー検診であることを特徴とした。[Configuration 14] The prediction method according to any one of
The high-accuracy cancer screening comprises at least a method for fractionating by electrophoresis, separating proteins in serum, developing color with an ALP isozyme staining solution, detecting ALP isozyme, and evaluating the risk of the cancer. Including tumor marker screening.
［構成１５］構成９乃至構成１４のいずれかに記載の予測方法であって、
前記特定期間は、最初の前記高精度癌検診から起算して一定の期間毎に実施される定期的な前記高精度癌検診と、次回の前記高精度癌検診と、の実施間隔であることを特徴とした。[Configuration 15] The prediction method according to any one of
The specific period is an interval between the regular high-accuracy cancer screening performed at regular intervals and the next high-accuracy cancer screening, starting from the first high-accuracy cancer screening. Features.
［構成１６］構成９乃至構成１５のいずれかに記載の予測方法であって、
前記複数のステージ毎に特定の治療を行ったときの、該ステージ毎の将来の臨床癌に罹患する可能性の予測を生成する、治療予後経渦リスクシミュレーションステップを更に備えたことを特徴とした。[Configuration 16] The prediction method according to any one of
The method further comprises a treatment prognostic vortex risk simulation step for generating a prediction of the possibility of suffering from a future clinical cancer for each stage when specific treatment is performed for each of the plurality of stages. .
ここで治療予後リスクシミュレーションとは、特定の治療を実施した場合の、該治療からの経過年数に応じて変化する臨床癌罹患のリスク、又は前臨床癌再発のリスクのシミュレーションをいう。この他、治療に当る際の前臨床癌状態のステージを変数とすることや、治療の内容毎のシミュレーションを実施することが可能である。Here, the treatment prognosis risk simulation refers to a simulation of the risk of developing clinical cancer or the risk of recurrence of preclinical cancer that changes depending on the number of years since the treatment when a specific treatment is performed. In addition, it is possible to use the stage of the preclinical cancer state at the time of treatment as a variable, and to perform simulation for each content of treatment.
［構成１７］構成一定の期間経過後に、前記高精度癌検診を受診する受診者が、前記複数のステージにおいて前記ステージＩＩ乃至ステージＶに分類され前記特定の治療を受けることをトリガーイベントとするデリバティブ方法であって、
前記特定の治療に対する、治療予後経過リスクシミュレーションステップで生成された予測と、該特定の治療の治療費と、からデリバティブ補償条件を設定、又は変更することを特徴とした。[Configuration 17] Configuration A derivative whose trigger event is that a patient who receives the high-accuracy cancer screening after a certain period of time is classified into the stages II to V in the plurality of stages and receives the specific treatment A method,
The derivative compensation condition is set or changed from the prediction generated in the treatment prognostic risk simulation step for the specific treatment and the treatment cost of the specific treatment.
本発明で、デリバティブ方法とは、電子計算機、計算装置などを使用して、その料率の計算や条件の設定、各種シミュレーションの生成が可能なものであって、リスク予測の方法、リスク予測システムと関連を有するものである。In the present invention, the derivative method is a method for calculating a rate, setting conditions, and generating various simulations using an electronic computer, a calculation device, and the like. It has a relation.
ここでのトリガーイベントは、治療費に対する補償であって、前臨床癌に罹患することへの補償ではなく、この治療が将来の臨床癌罹患のリスクに影響を与えることが前提となっている。The trigger event here is compensation for treatment costs, not compensation for pre-clinical cancer, and it is assumed that this treatment will affect the risk of future clinical cancer.
［構成１８］構成１７に記載のデリバティブ方法であって、デリバティブ被補償者が過去に前記高精度癌検診を受診した履歴において、少なくとも、前記複数のステージから選択されるどのステージに分類されたか、の情報を含む受診結果履歴情報によって、該分類と前記トリガーイベント発生率との相関を分析し、適正な保険料率を計算するステップを有することを特徴とした。[Configuration 18] The derivative method according to
トリガーイベントの発生率と補償額が算出できれば、適正な保険料率を計算することが可能であり、このトリガーイベントの発生率は過去の統計によって、関連する任意の変数を用いてシミュレーションが可能である。If the trigger event occurrence rate and compensation amount can be calculated, it is possible to calculate an appropriate insurance premium rate, and the trigger event occurrence rate can be simulated using any relevant variable according to past statistics. .
［構成１９］構成１６に記載の予測方法であって、複数の前記特定の治療毎の治療内容に基づく、前記治療予後経過リスクシミュレーションステップを有し、該特定の治療毎の治療内容に基づく経過リスク評価を得ることを特徴とした。[Configuration 19] The prediction method according to
予め補償する治療方法を複数特定し、その治療方法によって、その後の経過や臨床癌罹患の可能性の評価に相違が生じる場合、その治療内容に対して、予後の評価を数値で得ることが可能となる。Multiple treatment methods to be compensated in advance are identified, and if there are differences in the evaluation of the subsequent course and the possibility of clinical cancer, depending on the treatment method, a prognostic evaluation can be obtained numerically for the treatment content It becomes.
［構成２０］構成一定の期間経過後に、前記高精度癌検診を受診する受診者が、前記複数のステージにおいて前記ステージＩＩ乃至ステージＶに分類され、前記特定の治療を受けることをトリガーイベントとするデリバティブ方法であって、
複数の前記特定の治療毎の治療内容に対する、前記経過リスク評価と、該特定の治療毎の治療費と、から費用対効果を算出し、
前記複数のステージから選択される前記ステージＩＩ乃至ステージＩＶに分類された受診者が前記費用対効果の最大値を得られる、前記特定の治療を抽出するステップと、
該治療に対するデリバティブ補償条件を算出するステップを更に有することを特徴とした。[Configuration 20] Configuration After a predetermined period of time, a trigger event is that a patient who receives the high-accuracy cancer screening is classified into the stages II to V in the plurality of stages and receives the specific treatment. A derivative method,
A cost-effectiveness is calculated from the progress risk evaluation for the treatment contents for each of the plurality of specific treatments and the treatment cost for each of the specific treatments,
Extracting the specific treatment from which the examinees classified in the stages II to IV selected from the plurality of stages can obtain the maximum cost-effectiveness;
The method further includes calculating a derivative compensation condition for the treatment.
本構成においても、当該治療内容が医学的評価を確立することなく、単に統計的にリスク低減が図れることを要件として、デリバティブ補償を確立することが目的であり、また、別の観点からすると、医療行為とは別の治療内容の評価を統計学的に実現することも可能である。In this configuration, the objective is to establish derivative compensation on the condition that the treatment content can be statistically reduced without establishing a medical evaluation, and from another viewpoint, It is also possible to statistically realize the evaluation of treatment content different from medical practice.
［構成２１］受診者が受診する前記高精度癌検診の結果に応じて補償条件を付与可能に構成されたデリバティブ方法であって、
一定の期間経過後に、前記高精度癌検診を受診する受診者が、
前記複数のステージにおいて前記ステージＩに分類されることをトリガーイベントとして、該高精度癌検診の費用妥当額をデリバティブ補償する健常分類デリバティブ補償条件付与ステップと、
前記複数のステージにおいて前記ステージＩＩ乃至ＩＶに分類され前記特定の治療を受けることをトリガーイベントとして、前記特定の治療に要する治療費相当額をそのステージ毎に算出しデリバティブ補償する前臨床癌分類デリバティブ補償条件付与ステップと、
前記複数のステージにおいて前記ステージＶに分類されることをトリガーイベントとして、治療費のうち一定の補償額をデリバティブ補償する臨床癌分類デリバティブ補償条件付与ステップと、
から選択される一つのステップを、該受診者が受診する前記高精度癌検診の結果に応じて適用する選択的デリバティブ補償条件付与ステップを備えることを特徴とした。[Configuration 21] A derivative method configured to be able to give a compensation condition according to a result of the high-accuracy cancer screening that a medical examinee consults,
After a certain period of time, the examinee who receives the high-accuracy cancer screening is:
A step of giving a healthy classification derivative compensation condition for performing derivative compensation on a reasonable cost of the high-accuracy cancer screening as a trigger event that is classified into the stage I in the plurality of stages;
A preclinical cancer classification derivative that calculates the amount corresponding to the treatment cost required for the specific treatment and compensates for the derivative by using the specific event as the trigger event in the stages II to IV. A compensation condition assigning step;
A clinical cancer classification derivative compensation condition granting step for performing derivative compensation for a certain compensation amount among treatment costs, with triggering being classified into the stage V in the plurality of stages,
A step of applying a selective derivative compensation condition that is applied in accordance with the result of the high-accuracy cancer screening that is received by the examinee.
本構成におけるデリバティブ補償条件の付与は、本発明で実施される予測システムを用いて、トリガーイベントの抽出、プレミアム率などの生成を通じて実現可能であり、特定の入力装置に基礎条件を入力し、計算機によって演算し、ディスプレイなどに表示することによって実施可能である。Derivative compensation conditions in this configuration can be realized through extraction of trigger events, generation of premium rates, etc. using the prediction system implemented in the present invention. It is possible to implement by calculating with and displaying on a display or the like.
［構成２２］デリバティブ補償条件を一定の条件に基づいて付与するデリバティブ方法であって、前記健常分類デリバティブ補償条件付与ステップを適用する確率とその補償額から、現在の保険料率を算出する健常分類保険料算出ステップと、
前記前臨床癌分類デリバティブ補償条件付与ステップを適用する確率とその補償額から、現在の保険料率を算出する前臨床癌分類保険料算出ステップと、
臨床癌分類デリバティブ補償条件付与ステップを適用する確率とその補償額から、現在の保険料率を算出する臨床癌分類保険料算出ステップと、を有し、
前記健常分類保険料ステップと、前記前臨床癌分類保険料算出ステップと、前記臨床癌分類保険料算出ステップと、から算出された現在の保険料率を合計してデリバティブ補償条件を決定するステップを備えたことを特徴とした。[Configuration 22] A derivative method for granting derivative compensation conditions based on a certain condition, wherein a normal classification insurance for calculating a current insurance premium rate from the probability of applying the healthy classification derivative compensation condition granting step and the compensation amount Charge calculation step,
From the probability of applying the preclinical cancer classification derivative compensation condition grant step and its compensation amount, a preclinical cancer classification premium calculation step for calculating a current insurance premium rate,
A clinical cancer classification premium calculation step for calculating a current insurance premium rate from the probability of applying the clinical cancer classification derivative compensation condition granting step and its compensation amount,
The health insurance premium step, the preclinical cancer classification insurance premium calculation step, the clinical cancer classification insurance premium calculation step, and a step of determining a derivative compensation condition by summing current insurance premium rates calculated from It was characterized by that.
本構成においても、健常分類に対する補償の定義を高精度癌検診の受診料とした。本構成によるデリバティブ補償を設計する為には、高精度癌検診の結果である各分類毎にそれぞれのデリバティブ補償条件を設定し、それぞれの保険料を合算して計算することが求められる。In this configuration as well, the definition of compensation for healthy classification is used as a high-accuracy cancer screening fee. In order to design derivative compensation with this configuration, it is required to set each derivative compensation condition for each classification, which is the result of high-accuracy cancer screening, and add up each insurance premium to calculate.
本発明によると従来臨床癌に罹患していない者のリスク定義が単調であったことに対して、極めて合理的なリスク要因による細分化が実現できる。
また従来デリバティブ補償の対象外とされていた臨床癌に認定されていない前臨床癌の治療補償や、そのデリバティブ補償条件の最適化が図れることとなる。
また、デリバティブ補償対象が増加する高度な検診の発明による、保険料率の画一的な上昇を抑えると共に、癌罹患以前の早期の治療に貢献し、癌で死亡する者の減少と、それに伴う死亡保険料の低減化が図れることとなる。According to the present invention, in contrast to the monotonous definition of risk for those who have not previously suffered from clinical cancer, it is possible to realize subdivision by extremely rational risk factors.
In addition, treatment compensation for preclinical cancer that has not been certified as a clinical cancer that was previously excluded from derivative compensation, and optimization of derivative compensation conditions can be achieved.
In addition, the invention of advanced screening that increases the scope of derivative compensation reduces the uniform increase in the insurance premium rate, contributes to early treatment before the onset of cancer, reduces the number of people who die from cancer, and the resulting death Insurance premiums can be reduced.
以下、本発明を実施するための最良の形態を示す図面に基づいて詳述する。ここで示す実施の形態は非限定例示であり、ここに示した構成のほか、装置の種類、内容、構成、プログラムの種類、構成、システムの構成、配置などは本発明の範囲において任意に組み合わせ可能であり、その構成に限定されない。Hereinafter, the present invention will be described in detail with reference to the drawings showing the best mode for carrying out the invention. The embodiment shown here is a non-limiting example, and in addition to the configuration shown here, the device type, contents, configuration, program type, configuration, system configuration, arrangement, etc. are arbitrarily combined within the scope of the present invention. It is possible and is not limited to the configuration.
図１は本発明の実施の形態の予測システムの構成を示すブロック図である。本発明の実施の形態の予測システムは、相関分析と臨床癌状態分布の算出が可能な計算機１０１と、初期設定値、相関指標などを入力する為の入力装置１０３と、演算結果を表示するディスプレイ１０２とで構成されており、計算機１０１には予測演算や各種処理を実行する主制御部１１１が設けられ、また予測演算に使用するデータを記憶する高精度癌検診クラスタリングデータ記憶部１２１、高精度癌検診再診結果データ記憶部１２２と、演算の結果を記憶する相関分析結果データ記憶部１２３、解析結果データ記憶部１２４が接続されている。各データ記憶部１２１〜１２４は複数の記憶装置に設けることが可能な他、一つの記憶装置に領域を分けて設けることも可能である。FIG. 1 is a block diagram showing a configuration of a prediction system according to an embodiment of the present invention. A prediction system according to an embodiment of the present invention includes a
図２は該実施形態の計算機の構成を詳細に示すブロック図である。主制御部（図１：１０１）には相関分析を実行する臨床癌状態分布算出手段２０３と、シミュレーション手段２０４と、条件別相関分析手段２０５が設けられており、高精度癌検診クラスタリングデータ記憶部２０１と高精度癌検診再診結果データ記憶部２０２に記録されているデータを参照して相関分析を実行して、相関分析結果記憶手段２０６によって、相関分析結果データ記憶部２０７に記録される。FIG. 2 is a block diagram showing in detail the configuration of the computer of this embodiment. The main control unit (FIG. 1: 101) is provided with clinical cancer state distribution calculating means 203 for executing correlation analysis, simulation means 204, and conditional correlation analysis means 205, and a high-accuracy cancer screening clustering data storage unit. The correlation analysis is executed with reference to 201 and the data recorded in the high-accuracy cancer screening reexamination result
相関分析結果データ記憶部２０７には、更に分類ステージと経過年数をパラメータとした癌罹患との相関データを記録する再診相関データ記憶部２０８と、複数の検診結果によって分類ステージの推移パターンを抽出してパターンごとの癌罹患に関する相関分析結果を記録する分類別分析データ記憶部２０９と、分類ステージと治療内容分類と経過年数とをパラメータとした癌罹患との相関データを記録する治療別分析データ記憶部２１０と、更に検診の種類別に演算された相関データを記録する検診別分析データ記憶部２１１とを設けた。In the correlation analysis result data storage unit 207, a reexamination correlation
また、相関分析データ記憶部２０７のデータは保険料率生成手段２１２、分類別保険料率補正手段２１３、補償条件付与手段２１４に参照され、保険料率生成手段２１２は、リスク率の演算と補償条件の演算を実行し、また分類別保険料率補正手段２１３は、相関分析データの各パラメータごとに保険料率の補正処理を実行して、解析結果記憶手段２１５によって解析データ記憶部２１７に記録される。定義された条件ごとに保険料率が計算されると、該条件と保険料率を合成して補償条件を生成する補償条件付与手段２１４によって、デリバティブ補償条件を生成し、補償条件記憶手段２１６によって、解析データ記憶部２１７に記録される。解析結果データ記憶部２１７には、更に臨床癌状態分布データ記憶部２１８、リスク率データ記憶部２１９、補償条件データ記憶部２２０、抽出結果データ記憶部２２１とをそれぞれ設けた。The data in the correlation analysis data storage unit 207 is referred to the insurance
相関分析、クラスタリングなどを含むデータマイニングのシステムは数多くの構造が公開されており、ここでは説明を省略するが、本構成では、条件設定の入力に将来発生する検診結果を採用することと、最適な治療を統計的に抽出すること、更には将来発生する治療によるデータの補正を予め予測可能としたことが大きな特徴である。Many structures of data mining systems including correlation analysis and clustering are open to the public, and the explanation is omitted here. The major feature is that statistical treatment can be extracted statistically, and further, correction of data by treatment that will occur in the future can be predicted in advance.
図３は、本発明の実施形態であるデリバティブ補償条件生成の処理を示すフローチャートである。まず、初期設定（ステップＳ１１）では補償条件生成に必要な設定条件を入力する。設定条件は、求める期間の設定、検査の種別、プレミアム率の基礎分類、治療の種別、検査の間隔などで構成される。ここで検査の種別は本発明の予測システムによって抽出された最適な検査を選択することが好ましい。入力データは計算機のメモリ（一時記憶装置）上に保存することが可能である。FIG. 3 is a flowchart showing processing for generating derivative compensation conditions according to the embodiment of the present invention. First, in the initial setting (step S11), setting conditions necessary for generating compensation conditions are input. The setting conditions include the setting of a required period, the type of examination, the basic classification of premium rates, the type of treatment, the interval between examinations, and the like. Here, it is preferable to select an optimal inspection extracted by the prediction system of the present invention as the inspection type. The input data can be stored on a computer memory (temporary storage device).
次に過去のデータを参照（ステップＳ１２）して、入力データと共に一時記憶する。そして配列の分布平均値、分布標準偏差値などを近似するための対照条件が、同一のものであるか否かを判定し（ステップＳ１２）もし同一でなければ（ステップＳ１２：Ｎｏ）、同一条件でのデータを作成し（ステップＳ１４）、同一であれば（ステップＳ１２：Ｙｅｓ）多次元座標値を生成（ステップＳ１５）して配列データとしてメモリ上に記憶する。Next, past data is referred to (step S12) and temporarily stored together with the input data. Then, it is determined whether the comparison conditions for approximating the distribution average value, distribution standard deviation value, etc. of the array are the same (step S12). If not (step S12: No), the same condition If the data is the same (step S12: Yes), multidimensional coordinate values are generated (step S15) and stored in the memory as array data.
次に多次元座標値から分布の平均値を生成（ステップＳ１６）して、分布標準偏差を生成（ステップＳ１７）し、配列を相関分析結果データ記憶部に記憶（ステップＳ１８）する。更にＳ１５からＳ１８までの各行程を初期設定（ステップＳ１１）の入力にしたがって、各条件別に繰り返す（ステップＳ１９）。Next, an average value of the distribution is generated from the multidimensional coordinate values (step S16), a distribution standard deviation is generated (step S17), and the array is stored in the correlation analysis result data storage unit (step S18). Further, each process from S15 to S18 is repeated for each condition according to the input of the initial setting (step S11) (step S19).
次に検査結果で分類される各ステージの割合と、各ステージ毎にかかる治療費とのシミュレーションを生成する（ステップＳ２０）。初期設定（ステップＳ１１）で入力した条件が複数である場合は更に各条件別のシミュレーションを生成（Ｓ２１）し、その条件の下に最適な治療方法を抽出する（ステップＳ２３）。この抽出された治療を受けることをトリガーイベントとしたデリバティブ補償条件を生成（ステップＳ２４）して結果を記憶部に記憶するか、又はディスプレイに表示して処理を終了する。Next, a simulation of the ratio of each stage classified by the test result and the treatment cost for each stage is generated (step S20). When there are a plurality of conditions input in the initial setting (step S11), a simulation for each condition is further generated (S21), and an optimal treatment method is extracted under the conditions (step S23). Derivative compensation conditions with triggering this extracted treatment as a trigger event are generated (step S24), and the result is stored in the storage unit or displayed on the display, and the process is terminated.
図４は高精度癌検診クラスタリングデータベースの内容をディスプレイに表示した場合の内容例である。検杳結果による各ステージに該当する該当者が、７年後という条件設定の下ステージＶに移行する可能性の予測を合成し表示した。FIG. 4 is an example of the contents when the contents of the high-accuracy cancer screening clustering database are displayed on the display. Based on the examination results, the corresponding person corresponding to each stage synthesized and displayed the prediction of the possibility of moving to stage V under the condition setting of 7 years later.
図５は治療内容別のデリバティブ補償条件を記憶したデータベースの内容の一例示す図の一部である。治療内容分類と参照ステージ毎に補償条件データが記憶されている。FIG. 5 is a part of a diagram showing an example of the contents of a database storing derivative compensation conditions by treatment contents. Compensation condition data is stored for each treatment content classification and each reference stage.
図６は臨床癌検出と、相関解析指標との相関関係を正規分布で近似した確率分布図の一例である。この他同じ癌分布に関して複数のデータが存在する場合多次元空間に複数のデータをプロットしてデータが存在する領域を図形によって近似することも可能である。FIG. 6 is an example of a probability distribution diagram in which the correlation between clinical cancer detection and the correlation analysis index is approximated by a normal distribution. In addition, when there are a plurality of data relating to the same cancer distribution, it is possible to plot a plurality of data in a multidimensional space and approximate a region where the data exists by a figure.
図７は高精度癌検診の結果による将来の臨床癌罹患の経過分布の一例を示す図である。ステージが高くなるに従い癌発生までの期間が短く割合も増加し、リスク率が高くなることが示されている。このデータは１９８４年から１９８６年、日本国内の無作為に選ばれた１５の地域の住民２１２６人を対象に、腫瘍マーカー総合解析法を用いた癌スクリーニングに基づくデータである。FIG. 7 is a diagram showing an example of a course distribution of future clinical cancer cases as a result of high-accuracy cancer screening. It has been shown that as the stage gets higher, the time to cancer development becomes shorter and the rate increases, and the risk rate becomes higher. This data is based on cancer screening using the tumor marker comprehensive analysis method from 1984 to 1986 for 2126 residents in 15 randomly selected regions in Japan.
図８はＡＬＰアイソザイムを検出して癌評価する腫瘍マーカー検診の判定の為のカットオフ値を示す図である。以下各腫瘍マーカーの説明を詳述する。
ＣＥＡ（癌胎児性抗原）は、ＣＥＡを酵素免疫測定法で測定したものである。
ＨＳＡＰ（耐熱性アルカリフォスフォターゼ）は、５０ｍｌの血清を６５℃で７分間熱処理した後、３７℃で２０分間蛍光基質と反応させ、それをアセトンで脱蛋白処理して血清中の傾向強度を蛍光光度計で測定したものである。
フェリチンは、ラジオイムノアッセイで測定したものである。
ＩＡＰとは、試験管内でフィトヘモアグルチニンによって誘導されるリンパ芽球の形成とリンパ球混合試験を共に阻害することで性格づけられ、５μｌずつの検体を、抗ＩＡＰ血清を含んだ寒天ゲルのプレートの穴に入れ、３７℃、４８時間、培養した後で沈降リングの直径を測定したものである。
リボヌクレアーゼは、基質としてポリシチジル酸を用いて測定したものである。
シアル酸は酵素測定法に基づいて自動分析器で測定したものである。
アルカリフォスフォターゼアイソザイムは、ＡＬＰ活性の正常範囲内で血清ＡＬＰアイソザイムが病状に伴って有意の変動を示すことを用いて、３つのパラメータ（ＡＬＰ１、ＡＬＰ２／３、ＡＰＡ）をＡＬＰアイソザイムのデンシトメトリーによるパターンから計算したものである。
ＣＡ１９−９（糖鎖抗原）は、ラジオイムノアッセイにより測定したものである。
ＴＰＡ（組織ポリペプチド抗原）は、ラジオイムノアッセイにより測定したものである。FIG. 8 is a diagram showing cut-off values for determining tumor marker screening for detecting cancer by detecting ALP isozymes. The explanation of each tumor marker is described in detail below.
CEA (carcinoembryonic antigen) is obtained by measuring CEA by enzyme immunoassay.
HSAP (heat-resistant alkaline phosphatase) is obtained by heat treating 50 ml of serum at 65 ° C. for 7 minutes, then reacting with a fluorescent substrate at 37 ° C. for 20 minutes, and deproteinizing it with acetone to increase the tendency strength in serum. Measured with a fluorimeter.
Ferritin is measured by radioimmunoassay.
IAP is characterized by inhibiting both lymphocyte formation induced by phytohemoglutinin and lymphocyte mixing test in vitro, and 5 μl of each sample was added to an agar gel containing anti-IAP serum. The diameter of the sedimentation ring was measured after placing in a plate hole and incubating at 37 ° C. for 48 hours.
Ribonuclease is measured using polycytidylic acid as a substrate.
Sialic acid is measured by an automatic analyzer based on an enzyme measurement method.
Alkaline phosphatase isozyme uses three parameters (ALP1, ALP2 / 3, APA) for densitization of ALP isozymes using the fact that serum ALP isozymes show significant variation with pathology within the normal range of ALP activity. It is calculated from the pattern by the measurement.
CA19-9 (sugar chain antigen) was measured by radioimmunoassay.
TPA (tissue polypeptide antigen) is measured by radioimmunoassay.
この腫瘍マーカー総合解析法によって、従来不可能だった前臨床癌の詳細な検出が可能となっている。高精度な腫瘍マーカーによる癌検診の結果データは変数であるデータが多く、相関分析によるデリバティブ補償条件設定に特に適している。This comprehensive analysis method of tumor markers makes it possible to detect preclinical cancers that have been impossible in the past. The results of cancer screening using highly accurate tumor markers are often variable data, and are particularly suitable for setting derivative compensation conditions by correlation analysis.
図９は本発明の実施形態であるデリバティブ補償条件生成のフローを示すスローチャートである。本実施形態では特に受診の結果に基づく補償条件の補正のためのデータを生成することが目的であり、ここで生成したデータを顧客の端末に送信してトリガーボンドの申込を受け付けることも可能である。その場合初期設定（ステップＳ８１）は保険会社が実施し、受診結果の入力（ステップＳ８２）は検診を実施した医療機関が実施し、また、各補償条件生成（ステップＳ８５、Ｓ８８、Ｓ９１、Ｓ９４、Ｓ９６）によって生成されたデリバティブ補償条件は顧客に送信されることとすれば合理的である。FIG. 9 is a slow chart showing a flow of derivative compensation condition generation according to the embodiment of the present invention. In this embodiment, the purpose is to generate data for correction of compensation conditions based on the result of the consultation in particular, and it is also possible to receive the application for the trigger bond by transmitting the data generated here to the customer's terminal. is there. In that case, the initial setting (step S81) is performed by the insurance company, the input of the consultation result (step S82) is performed by the medical institution that performed the screening, and each compensation condition generation (steps S85, S88, S91, S94, It is reasonable that the derivative compensation conditions generated by S96) are sent to the customer.
初期設定（ステップＳ８１）では、補償条件生成に必要な設定条件を入力し、更に高精度癌検診の受診結果の入力（ステップＳ８２）を行う。入力の結果がステージＩだった場合（ステップＳ８３：Ｙｅｓ）は、ステージＩの分類可能性と、その際の損害額、最適な治療などのデータを参照し（ステップＳ８４）、ステージＩに対する補償条件を生成する（ステップＳ８５）。また、分類がステージＩでなかった場合（ステップＳ８３：Ｎｏ）分類はステージＩＩか（ステップＳ８６）の判定をし、同様にステージＩＩのデータ参照及び補償条件生成か、ステージＩＩＩへ処理を送るか（ステップＳ８７乃至Ｓ８９）を実行する。以後同様にステージＩＩＩ、ステージＩＶ、ステージＶと判定をして補償条件を生成（ステップＳ８９乃至Ｓ９６）する。各ステージ毎の補償条件は記憶部に記憶されるかディスプレイに表示することが可能である。In the initial setting (step S81), setting conditions necessary for generating the compensation conditions are input, and further, a result of receiving a high-accuracy cancer screening is input (step S82). When the input result is stage I (step S83: Yes), the stage I classification possibility, the amount of damage at that time, the data such as the optimal treatment are referred to (step S84), and the compensation condition for stage I Is generated (step S85). Further, when the classification is not stage I (step S83: No), it is determined whether the classification is stage II (step S86). Similarly, whether the stage II data reference and compensation condition generation or the process is sent to stage III. (Steps S87 to S89) are executed. Thereafter, similarly, determination is made as stage III, stage IV, and stage V, and compensation conditions are generated (steps S89 to S96). Compensation conditions for each stage can be stored in the storage unit or displayed on the display.
補償条件はトリガーイベントの設定、補償する内容及び損害額の予測、補償が治療費の場合は治療予後の各種予測、補償の金額と保険料、トリガーイベント発生以後の補償条件の変更、特約などを初期設定（ステップＳ８１）の要求に基づいて生成する。Compensation conditions include setting of trigger event, prediction of compensation contents and damage amount, various compensation for treatment prognosis when compensation is treatment cost, compensation amount and insurance fee, change of compensation condition after trigger event occurrence, special contract etc. Generated based on a request for initial setting (step S81).
本発明を用いると、医療機関に対し、医療保険の対象外の高度な癌検診の実施を促進させることが可能であり、結果、高度な医療技術を広く浸透させ、癌の死亡を減らすことができる。
また一方で保険会社には癌保険のオプション設計と、リスク細分型の保険の各種数値の提供が可能で新しいトリガーボンドの開発に利用できる。また本発明を実施すると前臨床癌状態での治療を促進する為、死亡率第１位である癌の死亡率を引き下げられるので、死亡保険金の支払いが減少し、医療費補助による支出増大と、死亡保険金の支出減少をシミュレーションしてそれに伴う保険料率の改定に利用することが可能である。By using the present invention, it is possible to promote medical institutions to conduct advanced cancer screenings that are not covered by medical insurance. As a result, advanced medical technologies can be widely spread and cancer deaths can be reduced. it can.
On the other hand, it is possible to provide insurance companies with option design for cancer insurance and offer various values of risk-divided insurance, which can be used to develop new trigger bonds. In addition, the implementation of the present invention promotes treatment in preclinical cancer states, so that the mortality rate of cancer, which is the first mortality rate, can be reduced, so that the payment of death insurance payments is reduced, and expenditures by subsidizing medical expenses are increased. It is possible to simulate a decrease in death insurance payments and use it to revise insurance premiums.
１０１ 計算機
１０２ ディスプレイ
１０３ 入力装置
１１１ 主制御部
１２１ 高精度癌検診クラスタリングデータ記憶部
１２２ 高精度癌検診再診結果データ記憶部
１２３ 相関分析結果データ記憶部
１２４ 解析結果データ
２０３ 臨床癌状態分布算出手段
２０４ シミュレーション手段
２０５ 条件別相関分析手段
２０６ 相関分析結果記憶手段
２１２ 保険料率生成手段
２１３ 分類別保険料率補正手段
２１４ 補償条件付与手段
２１５ 解析結果記憶手段
２１６ 補償条件記憶手段
Ｓ１１ 初期設定ステップ
Ｓ１２ データの参照ステップ
Ｓ１３ 条件比較ステップ
Ｓ１４ 同一条件でのデータ作成ステップ
Ｓ１５ 多次元座標値生成ステップ
Ｓ１６ 分布平均値生成ステップ
Ｓ１７ 分布標準偏差生成ステップ
Ｓ１８ 配列記憶ステップ
Ｓ１９ 条件別繰り返しステップ
Ｓ２０ シミュレーションステップ
Ｓ２１ 条件別シミュレーションステップ
Ｓ２２ 各条件別予測値の生成ステップ
Ｓ２３ 最適な治療法抽出ステップ
Ｓ２４ デリバティブ補償条件生成ステップDESCRIPTION OF
Claims (22)
前臨床癌の検出が可能な特定の高精度癌検診における過去の検診結果を、癌の存在可能性を示す特定の数値を元に、健常状態と、該癌の存在可能性を否定できない見かけ上の健常状態と、臨床癌状態と、に分類し、前記各分類毎にデータの参照を可能に記録した、高精度癌検診クラスタリングデータベースと、
前記高精度癌検診クラスタリングデータベースにおいて、前記各分類毎に特定の期間後に受けた前記高精度癌検診の再診結果を前記各分類毎にデータの参照を可能に記録した、高精度癌検診再診結果データベースと、を備え、
前記高精度癌検診クラスタリングデータ及び前記高精度癌検診再診結果データの相関を演算して、前記高精度癌検診の結果又は前記特定の期間を変数とした臨床癌状態分布を算出する臨末癌状態分布算出手段と、
前記高精度癌検診を受診した特定の受診者が、その受診結果によって計算される、特定期間後に臨床癌に罹患する可能性の予測を生成するシミュレーション手段と、を備える予測システム。A prediction system comprising at least a calculation unit and a storage unit, and predicting a clinical cancer risk under a specific condition, wherein the storage unit includes:
Based on specific numerical values indicating the existence of cancer based on past screening results in specific high-accuracy cancer screening that can detect preclinical cancer, it is apparent that the existence of the cancer cannot be denied. A high-accuracy cancer screening clustering database, which is classified into healthy states and clinical cancer states, and records the data for each classification.
In the high-accuracy cancer screening clustering database, the reexamination result of the high-accuracy cancer screening received after a specific period for each of the classifications is recorded so that data can be referred to for each of the classifications. A results database,
The terminal cancer that calculates the correlation between the high-accuracy cancer screening clustering data and the high-accuracy cancer screening re-examination result data and calculates the clinical cancer state distribution using the result of the high-accuracy cancer screening or the specific period as a variable A state distribution calculating means;
A prediction system comprising: a simulation unit that generates a prediction of a possibility that a specific person who has undergone the high-accuracy cancer screening will suffer from clinical cancer after a specific period, which is calculated based on the result of the medical examination.
前記高精度癌検診再診結果データベースと、を備え、
複数の前記高精度癌検診を更に変数として、前記臨床癌状態分布を算出する検診別臨床癌状態分布算出手段を更に備えたことを特徴とする請求項１又は請求項２のいずれかに記載の予測システム。In the multiple high-precision cancer screening, the high-precision cancer screening clustering database for each of the high-precision cancer screening,
The high-accuracy cancer screening reexamination result database,
3. The clinical cancer state distribution calculating means for each screening for calculating the clinical cancer state distribution using a plurality of the high-accuracy cancer screenings as further variables, further comprising: Prediction system.
更に前記臨床癌状態分布を、前記複数のステージ毎に分類し、該分類毎の臨床癌に罹患する可能性の予測を生成することが可能に構成された請求項１乃至請求項３のいずれかに記載の予測システム。The apparent healthy state further has a plurality of stages according to the abnormal level of cancer by the high-accuracy cancer screening,
The clinical cancer state distribution is further classified for each of the plurality of stages, and a prediction of the possibility of suffering from clinical cancer for each classification is generated. The prediction system described in.
前記シミュレーション手段は、前記腫瘍成長度ステージ毎に、将来の臨床癌に罹患する可能性の予測を生成することを特徴とする請求項１乃至請求項４のいずれかに記載の予測システム。The plurality of stages include an ideal state in which a minute cancer cannot be detected, stage I, a microgram level precancerous state, stage II, a milligram level precancerous state, stage III, a preclinical cancer state of less than 1 g, stage IV, And a tumor growth stage in which a clinical cancer state in which cancer of 1 g or more is estimated is stage V,
The prediction system according to any one of claims 1 to 4, wherein the simulation unit generates a prediction of a possibility of suffering from a future clinical cancer for each tumor growth degree stage.
前記記憶手段に記憶された前記高精度癌検診クラスタリングデータ及び前記高精度癌検診再診結果データの相関を演算して、前記高精度癌検診の結果又は前記特定の期間を変数とした臨床癌状態分布を算出し、
前記高精度癌検診を受診した特定の受診者が、その受診結果によって計算される、特定期間後に臨床癌に罹患する可能性の予測を生成する予測方法。A prediction method for predicting a risk of developing clinical cancer under specific conditions using a prediction system comprising at least a calculation means and a storage means,
Calculate the correlation between the high-accuracy cancer screening clustering data and the high-accuracy cancer screening re-examination result data stored in the storage means, and the clinical cancer state using the result of the high-accuracy cancer screening or the specific period as a variable Calculate the distribution,
A prediction method for generating a prediction of a possibility that a specific person who has received the high-accuracy cancer screening will suffer from clinical cancer after a specific period, which is calculated based on the result of the medical examination.
更に前記臨床癌状態分布を、前記複数のステージ毎に分類し、該分類毎の臨床癌に罹患する可能性の予測を生成する請求項９乃至請求項１１のいずれかに記載の予測方法。The apparent healthy state further has a plurality of stages according to the abnormal level of cancer by the high-accuracy cancer screening,
The prediction method according to any one of claims 9 to 11, further comprising: classifying the clinical cancer state distribution for each of the plurality of stages and generating a prediction of a possibility of suffering from clinical cancer for each classification.
前記特定の治療に対する、治療予後経過リスクシミュレーションステップで生成された予測と、該特定の治療の治療費と、からデリバティブ補償条件を設定、又は変更することを特徴とするデリバティブ方法。A derivative method that uses a specific event as a trigger event when a patient who receives the high-accuracy cancer screening after a certain period of time is classified into the stages II to V in the plurality of stages and receives the specific treatment,
A derivative method characterized in that a derivative compensation condition is set or changed from the prediction generated in the treatment prognostic risk simulation step for the specific treatment and the treatment cost of the specific treatment.
複数の前記特定の治療毎の治療内容に対する、前記経過リスク評価と、該特定の治療毎の治療費と、から費用対効果を算出し、
前記複数のステージから選択される前記ステージＩＩ乃至ステージＩＶに分類された受診者が前記費用対効果の最大値を得られる、前記特定の治療を抽出するステップと、
該治療に対するデリバティブ補償条件を算出するステップを更に有することを特徴とするデリバティブ方法。A derivative method in which a person who receives the high-accuracy cancer screening after a certain period of time is classified into the stages II to V in the plurality of stages and receives the specific treatment as a trigger event. ,
A cost-effectiveness is calculated from the progress risk evaluation for the treatment contents for each of the plurality of specific treatments and the treatment cost for each of the specific treatments,
Extracting the specific treatment from which the examinees classified in the stages II to IV selected from the plurality of stages can obtain the maximum cost-effectiveness;
A derivative method further comprising calculating a derivative compensation condition for the treatment.
前記複数のステージにおいて前記ステージＩに分類されることをトリガーイベントとして、該高精度癌検診の費用妥当額をデリバティブ補償する健常分類デリバティブ補償条件付与ステップと、
前記複数のステージにおいて前記ステージＩＩ乃至ＩＶに分類され前記特定の治療を受けることをトリガーイベントとして、前記特定の治療に要する治療費相当額をそのステージ毎に算出しデリバティブ補償する前臨床癌分類デリバティブ補償条件付与ステップと、
前記複数のステージにおいて前記ステージＶに分類されることをトリガーイベントとして、治療費のうち一定の補償額をデリバティブ補償する臨床癌分類デリバティブ補償条件付与ステップと、
から選択される一つのステップを、該受診者が受診する前記高精度癌検診の結果に応じて適用する選択的デリバティブ補償条件付与ステップを備えたデリバティブ方法。After a certain period of time, the examinee who receives the high-accuracy cancer screening is:
A step of giving a healthy classification derivative compensation condition for performing derivative compensation on a reasonable cost of the high-accuracy cancer screening as a trigger event that is classified into the stage I in the plurality of stages;
A preclinical cancer classification derivative that calculates the amount corresponding to the treatment cost required for the specific treatment and compensates for the derivative by using the specific event as the trigger event in the stages II to IV. A compensation condition assigning step;
A clinical cancer classification derivative compensation condition granting step for performing derivative compensation for a certain compensation amount among treatment costs, with triggering being classified into the stage V in the plurality of stages,
A derivative method comprising a selective derivative compensation condition providing step of applying one step selected from the above in accordance with the result of the high-accuracy cancer screening that the examinee receives.
前記前臨床癌分類デリバティブ補償条件付与ステップを適用する確率とその補償額から、現在の保険料率を算出する前臨床癌分類保険料算出ステップと、
臨床癌分類デリバティブ補償条件付与ステップを適用する確率とその補償額から、現在の保険料率を算出する臨床癌分類保険料算出ステップと、を有し、
前記健常分類保険料ステップと、前記前臨床癌分類保険料算出ステップと、前記臨床癌分類保険料算出ステップと、から算出された現在の保険料率を合計してデリバティブ補償条件を決定するステップを備えたデリバティブ方法。From the probability of applying the normal category derivative compensation condition granting step and its compensation amount, a normal category premium calculating step of calculating a current insurance premium rate,
From the probability of applying the preclinical cancer classification derivative compensation condition grant step and its compensation amount, a preclinical cancer classification premium calculation step for calculating a current insurance premium rate,
A clinical cancer classification premium calculation step for calculating a current insurance premium rate from the probability of applying the clinical cancer classification derivative compensation condition granting step and its compensation amount,
The health insurance premium step, the preclinical cancer classification insurance premium calculation step, the clinical cancer classification insurance premium calculation step, and a step of determining a derivative compensation condition by summing current insurance premium rates calculated from Derivative method.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2005144658A JP2006302222A (en) | 2005-04-15 | 2005-04-15 | Cancer onset risk prediction system and method, and cancer derivative method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2005144658A JP2006302222A (en) | 2005-04-15 | 2005-04-15 | Cancer onset risk prediction system and method, and cancer derivative method |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2006302222A true JP2006302222A (en) | 2006-11-02 |
Family
ID=37470402
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2005144658A Pending JP2006302222A (en) | 2005-04-15 | 2005-04-15 | Cancer onset risk prediction system and method, and cancer derivative method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2006302222A (en) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010029659A (en) * | 2008-07-25 | 2010-02-12 | Siemens Ag | Method and device for obtaining parameter related to prostate of patient |
| JP2011253464A (en) * | 2010-06-03 | 2011-12-15 | Olympus Medical Systems Corp | Medical business support device |
| JP2016515733A (en) * | 2013-03-29 | 2016-05-30 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | Generation and / or use of unique identifiers for findings |
| WO2017130540A1 (en) * | 2016-01-25 | 2017-08-03 | 株式会社日立製作所 | Insurance system, information provision server, and insurance risk calculation method |
| JP2017157033A (en) * | 2016-03-02 | 2017-09-07 | 株式会社Ｎｔｔドコモ | Information processing device |
| WO2017150427A1 (en) | 2016-02-29 | 2017-09-08 | 常雄 小林 | Data collection method to be used when classifying cancer life |
| JP2020058615A (en) * | 2018-10-10 | 2020-04-16 | キヤノン株式会社 | Image processing device, learned model, image processing method, and program |
| JP7372495B1 (en) | 2023-03-27 | 2023-10-31 | 花王株式会社 | Infection control support system |
| JP7438693B2 (en) | 2019-09-02 | 2024-02-27 | キヤノンメディカルシステムズ株式会社 | Medical support equipment |
-
2005
- 2005-04-15 JP JP2005144658A patent/JP2006302222A/en active Pending
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010029659A (en) * | 2008-07-25 | 2010-02-12 | Siemens Ag | Method and device for obtaining parameter related to prostate of patient |
| JP2011253464A (en) * | 2010-06-03 | 2011-12-15 | Olympus Medical Systems Corp | Medical business support device |
| JP2016515733A (en) * | 2013-03-29 | 2016-05-30 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | Generation and / or use of unique identifiers for findings |
| WO2017130540A1 (en) * | 2016-01-25 | 2017-08-03 | 株式会社日立製作所 | Insurance system, information provision server, and insurance risk calculation method |
| JP2017134474A (en) * | 2016-01-25 | 2017-08-03 | 株式会社日立製作所 | Insurance system, information providing server and insurance risk calculation method |
| WO2017150427A1 (en) | 2016-02-29 | 2017-09-08 | 常雄 小林 | Data collection method to be used when classifying cancer life |
| EP3425404A4 (en) * | 2016-02-29 | 2020-07-29 | KOBAYASHI, Tsuneo | Data collection method to be used when classifying cancer life |
| JP2017157033A (en) * | 2016-03-02 | 2017-09-07 | 株式会社Ｎｔｔドコモ | Information processing device |
| JP2020058615A (en) * | 2018-10-10 | 2020-04-16 | キヤノン株式会社 | Image processing device, learned model, image processing method, and program |
| JP7438693B2 (en) | 2019-09-02 | 2024-02-27 | キヤノンメディカルシステムズ株式会社 | Medical support equipment |
| JP7372495B1 (en) | 2023-03-27 | 2023-10-31 | 花王株式会社 | Infection control support system |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cui et al. | Radiomics analysis of multiparametric MRI for prediction of pathological complete response to neoadjuvant chemoradiotherapy in locally advanced rectal cancer | |
| Jagsi et al. | Considerations for observational research using large data sets in radiation oncology | |
| JP2006302222A (en) | Cancer onset risk prediction system and method, and cancer derivative method | |
| Čuklina et al. | Review of batch effects prevention, diagnostics, and correction approaches | |
| O'Neal et al. | Urban-rural differences in mortality for atrial fibrillation hospitalizations in the United States | |
| CN105229471A (en) | For determining the system and method for preeclampsia risk based on biochemical biomarker analysis | |
| US11946939B2 (en) | Biomarkers and methods for assessing myocardial infarction and serious infection risk in rheumatoid arthritis patients | |
| Zhang et al. | Blood circulating miRNAs as biomarkers of Alzheimer’s disease: A systematic review and meta-analysis | |
| Brennan et al. | Early diagnosis of brain tumours using a novel spectroscopic liquid biopsy | |
| Majkić-Singh | WHAT IS A BIOMARKER? FROM ITS DISCOVERY TO CLINICAL APPLICATION. | |
| Kaye et al. | Pathological upgrading at radical prostatectomy for patients with Grade Group 1 prostate cancer: implications of confirmatory testing for patients considering active surveillance | |
| Hämäläinen et al. | Intrahepatic cholestasis of pregnancy and comorbidity: a 44‐year follow‐up study | |
| Byrne et al. | The HEART score in predicting major adverse cardiac events in patients presenting to the emergency department with possible acute coronary syndrome: protocol for a systematic review and meta-analysis | |
| Pieters et al. | Biomarkers of cholestasis | |
| CN111653314A (en) | Method for analyzing and identifying lymphatic vessel infiltration | |
| Carducci et al. | Nuclear morphometry adds significant prognostic information to stage and grade for renal cell carcinoma | |
| Kamer et al. | Predicting brain metastasis in early stage non-small cell lung cancer patients by gene expression profiling | |
| Nakajima et al. | Prognosis of patients with prostate cancer and bone metastasis from the Japanese Prostatic Cancer Registry of Standard Hormonal and Chemotherapy Using Bone Scan Index cohort study | |
| Christopherson et al. | A machine learning Model Approach to Risk-Stratify patients with gastrointestinal Cancer for hospitalization and mortality outcomes | |
| Sjöblom et al. | Novel histological scoring for predicting disease outcome in primary sclerosing cholangitis | |
| Huang et al. | Radiomics for prediction of intracerebral hemorrhage outcomes: A retrospective multicenter study | |
| Barba et al. | Sex differences in the 1H NMR metabolic profile of serum in cardiovascular risk patients | |
| Hu et al. | Charting the next road map for CSF biomarkers in Alzheimer's disease and related dementias | |
| Cristoferi et al. | Individualizing care: management beyond medical therapy | |
| Shen et al. | Cohort research in “Omics” and preventive medicine |