JP2017021725A - 健康管理支援装置、健康管理支援システム及び健康管理支援方法 - Google Patents

Abstract

【課題】人や動物等の検査対象が医療機関等において健康状態のチェックを受ける場合に、各検査対象に応じた適正な情報を迅速かつ効率的に提供すること。【解決手段】検査値の変化の割合と要因値の変化の割合との関係を示す変化モデルを生成し、生成した変化モデルを用いて検査値からの要因値の予測や要因値からの検査値の予測を行う。このため、検査値と要因値との関係を正確にモデル化し、検査対象に個別化した精度のよい予測を行うことができる。これにより、検査対象に応じた適正な情報を迅速かつ効率的に提供することが可能となる。【選択図】図１

Description

この発明は、人や動物等の検査対象の健康状態を検査した検査値並びに該検査値に影響を及ぼす検査対象の身体的な要因値の変化を予測する健康管理支援装置、健康管理支援システム及び健康管理支援方法に関する。

従来、受診者等は、医療機関等において健康状態のチェックを受け、その健康状態に異常があるか否かを把握している。具体的には、かかる健康状態のチェックでは、受診者等に係る各種の検査値が該受診者等に対して通知され、受診者等は、この検査値を参考にしつつ、自身の生活習慣を改善し、病気の予防や健康維持に努めている。

かかる検査値としては、血糖値、血圧、ヘモグロビンＡ１ｃ値、血清尿酸値、血清ＬＤＬコレステロール値、血清ＨＤＬコレステロール値、血清中性脂肪値などが該当する。これらの検査値は、受診者等の年齢や体重などの身体的な要因値と関連している。このため、この検査値を改善するためには、受診者等が運動を通じて体重を落とすなどして、上記の要因値を制御することが有効となる。

ところが、受診者等は、医療機関等から検査値を通知されたとしても、この要因値に影響をもたらす要因値との関係を一見して把握することができないため、この要因値を変えようとする意欲を高めることが難しい。このため、この検査値に関連する関連情報を提供する技術が知られている。

例えば、特許文献１には、個人特定データと、検査値に対応する健康関連指標データと、運動情報データとに基づいて医療スタッフ等が入力したアドバイスデータを利用者用端末に通知する健康管理支援システムが開示されている。

また、特許文献２には、要因値を検査値の一次式として相関解析を行い、要因値と検査値との関係を示すことで要因値の制御に目標を与える健康指標推定方法が開示されている。

特開２００８−２２５５８５号公報 特開２００８−１６５５５５号公報

しかしながら、上記特許文献１のものは、医療スタッフ等が受診者等の検査値を見ながら手作業でアドバイスデータを入力する必要があるため、医療スタッフ等に係る人的労力が過大になるという問題がある。

また、上記特許文献２のものは、検査値Ｔと要因値Ｘ_ｉの関係が下記に示すような一次の線形関係にあると仮定しているため、要因値の変化が同一であれば、検査値の変化も同一となる。例えば、現在の体重に関係なく、体重が１ｋｇ増えた場合の検査値の変化は全ての受診者等について同一となる。その結果、各受診者等に応じた適正な情報を提供できない可能性がある。
Ｔ＝β_０＋β_１Ｘ_１＋β_２Ｘ_２＋・・・＋ε

これらのことから、受診者等が医療機関等において健康状態のチェックを受ける場合に、各受診者等に応じた適正な情報をいかにして迅速かつ効率的に提供するかが重要な課題となっている。かかる課題は、人が健康状態のチェックを受ける場合だけではなく、動物等が健康状態のチェックを受ける場合にも同様に生ずる課題である。

本発明は、上記従来技術の課題を解決するためになされたものであって、人や動物等の検査対象が医療機関等において健康状態のチェックを受ける場合に、各検査対象に応じた適正な情報を迅速かつ効率的に提供する健康管理支援装置、健康管理支援システム及び健康管理支援方法を提供することを目的とする。

上述した課題を解決し、目的を達成するため、本発明は、検査対象及び／又は非検査対象の健康状態をあらかじめ検査した同一種別の複数の検査値と、各検査値にそれぞれ影響を及ぼす複数の身体的な要因値とに基づいて、前記検査値の変化の割合と前記要因値の変化の割合との関連を示す関連情報を算定する関連情報算定部と、前記関連情報算定部により算定された前記関連情報を記憶する記憶部と、前記検査対象の健康状態を検査した検査値及び該検査値に影響を及ぼす検査対象の身体的な要因値と、前記記憶部に記憶された前記関連情報とに基づいて、前記検査対象の検査値又は要因値に係る予測値を算定する予測値算定部と、前記予測値算定部により算定された前記予測値を報知する報知部とを備えたことを特徴とする。

また、本発明は、上記発明において、前記関連情報算定部は、前記検査値の対数を目的変数とし、前記要因値の対数を説明変数とした回帰分析により前記説明変数の係数を前記関連情報として算定することを特徴とする。

また、本発明は、上記発明において、前記関連情報算定部は、同一人物の検査値の対数の差分を目的変数とし、前記同一人物の要因値の対数の差分を説明変数とした回帰分析により前記説明変数の係数を前記関連情報として算定することを特徴とする。

また、本発明は、上記発明において、前記関連情報算定部は、前記目的変数を前記説明変数の一次式として回帰分析を行うことを特徴とする。

また、本発明は、上記発明において、前記非検査対象の検査値と要因値とを前記係数の算定に使用するか否か及び／又は前記係数の算定に使用する変数が異なる複数の処理パターンからいずれかを選択する処理パターン選択部をさらに備え、前記関連情報算定部は、前記処理パターン選択部により選択された処理パターンに従って前記係数を算定することを特徴とする。

また、本発明は、上記発明において、前記処理パターン選択部は、前記検査対象の検査値及び要因値が所定数以上存在する場合に、前記検査対象の検査値及び要因値を選択的に用いる処理パターンを選択することを特徴とする。

また、本発明は、上記発明において、前記処理パターン選択部は、前記検査対象の検査値及び要因値が前記所定数に満たない場合に、前記非検査対象の検査値及び要因値を使用する処理パターンを選択することを特徴とする。

また、本発明は、上記発明において、二次元コードを復号する二次元コード復号部と、前記二次元コード復号部による復号結果から前記検査対象の検査値を取得する検査値取得部とをさらに備えたことを特徴とする。

また、本発明は、検査対象及び／又は非検査対象の健康状態をあらかじめ検査した同一種別の複数の検査値と、各検査値にそれぞれ影響を及ぼす複数の身体的な要因値とに基づいて、前記検査値の変化の割合と前記要因値の変化の割合との関連を示す関連情報を算定する関連情報算定部と、前記関連情報算定部により算定された前記関連情報を記憶する記憶部と、前記検査対象の健康状態を検査した検査値及び該検査値に影響を及ぼす検査対象の身体的な要因値と、前記記憶部に記憶された前記関連情報とに基づいて、前記検査対象の検査値又は要因値に係る予測値を算定する予測値算定部と、前記予測値算定部により算定された前記予測値を報知する報知部とを備えたことを特徴とする。

また、本発明は、検査対象及び／又は非検査対象の健康状態をあらかじめ検査した同一種別の複数の検査値と、各検査値にそれぞれ影響を及ぼす複数の身体的な要因値とに基づいて、前記検査値の変化の割合と前記要因値の変化の割合との関連を示す関連情報を算定する関連情報算定ステップと、前記検査対象の健康状態を検査した検査値及び該検査値に影響を及ぼす検査対象の身体的な要因値と、前記関連情報算定ステップにより算定された前記関連情報とに基づいて、前記検査対象の検査値又は要因値に係る予測値を算定する予測値算定ステップと、前記予測値算定ステップにより算定された前記予測値を報知する報知ステップとを含むことを特徴とする。

本発明によれば、検査対象及び／又は非検査対象の健康状態をあらかじめ検査した同一種別の複数の検査値と、各検査値にそれぞれ影響を及ぼす複数の身体的な要因値とに基づいて、検査値の変化の割合と要因値の変化の割合との関連を示す関連情報を算定して記憶し、検査対象の健康状態を検査した検査値及び該検査値に影響を及ぼす検査対象の身体的な要因値と、記憶した関連情報とに基づいて、検査対象の検査値又は要因値に係る予測値を算定して報知するよう構成したので、検査対象に応じた適正な情報を迅速かつ効率的に提供することができる。

図１は、実施例に係る健康管理支援方法の説明図である。 図２は、検査値の取得についての説明図である。 図３は、健康管理支援装置の内部構成を示すブロック図である。 図４は、処理パターンを説明する説明図である。 図５は、処理パターンの選択について説明するフローチャートである。 図６は、予測部の処理について説明するフローチャートである。 図７は、健康管理支援装置による予測の具体例についての説明図である。（その１） 図８は、健康管理支援装置による予測の具体例についての説明図である。（その２） 図９は、健康管理支援装置による予測の具体例についての説明図である。（その３） 図１０は、健康管理支援プログラムの実施例である。 図１１は、健康管理支援システムの実施例である。 図１２は、利用者による検査値の取得についての説明図である。

以下に、添付図面を参照して、本発明に係る健康管理支援装置、健康管理支援システム及び健康管理支援方法の好適な実施例を詳細に説明する。

図１は、本実施例に係る健康管理支援方法の説明図である。本実施例に係る健康管理支援方法では、検査値Ｔと要因値Ｘとを対応付けた検査要因データＰ（Ｔ，Ｘ）を蓄積し、複数の検査要因データＰ（Ｔ，Ｘ）から変化モデルを生成している。

検査値Ｔは、血糖値、血圧、ヘモグロビンＡ１ｃ値、血清尿酸値、血清ＬＤＬコレステロール値、血清ＨＤＬコレステロール値、血清中性脂肪値などである。要因値は、体重、年齢、身長、ＢＭＩ、体脂肪率、アルコール摂取量などである。

そして、変化モデルの生成では、検査値を要因値の一次式とするのではなく、検査値の変化の割合を要因値の変化の割合の一次式とする。すなわち、要因値が１つであれば、

となる。この式（１）を解くと、次の式（２）となる。

そして、式（２）の両辺の対数をとれば、次の式（３）となる。

ただし、β_０＝logＣで、Ｃは定数である。このβ_０を用いると、式（２）は、次の式（４）となる。

本実施例に係る健康管理支援方法では、式（３）を用い、検査値の対数（logＴ）を目的変数とし、要因値の対数（logＸ）を説明変数とした回帰分析により、係数β_０及びβ_１を推定することで、変化モデルを生成する。この係数β_０及びβ_１が、検査値の変化の割合と要因値の変化の割合との関連を示す関連情報である。

このようにして生成した変化モデルを用いることで、要因値からの検査値の予測と検査値からの要因値の予測を行うことができる。例えば、要因値Ｘが体重である場合、利用者が体重変化ΔＸを入力すれば、式（４）より

となり、検査値の変化量が算出される。すなわち、利用者は、どれだけ体重を減らせば、どれだけ検査値を改善できるかを知ることができる。この式（５）では、利用者の現在の要因値Ｘも使用されるので、利用者の現在の要因値Ｘに合せて個別化された精度のよい予測結果が得られることになる。

このように、本実施例に係る健康管理支援では、検査値の変化の割合と要因値の変化の割合との関係を示す変化モデルを生成し、生成した変化モデルを用いて検査値からの要因値の予測や要因値からの検査値の予測を行う。このため、検査値と要因値との関係を正確にモデル化し、検査対象となる人物に個別化した精度のよい予測を行うことができる。これにより、検査対象に応じた適正な情報を迅速かつ効率的に提供することが可能となる。

次に、検査値の取得について説明する。図２は、検査値の取得についての説明図である。医療機関等に設置された医療機関等コンピュータ１０は、健康状態のチェックなどで実施した各種検査の結果を検査結果データとして格納している。この検査結果データには、検査値が含まれる。また、身長や体重などの要因値が含まれることもある。医療機関等コンピュータ１０は、検査結果データを二次元コードに符号化する機能を有する。

医師などの医療機関等職員は、医療機関等端末１１を操作することで医療機関等コンピュータ１０に検査結果データや検査結果の二次元コードを出力させ（１）、医療機関等端末１１のディスプレイに表示させることができる。また、医療機関等職員は、検査結果データや検査結果の二次元コードをプリンタ１２により印刷し（３）、受診者等に手渡す（４）。

受診者等は、健康管理支援装置２０のカメラにより二次元コードを撮像し、二次元コードから検査値や要因値を読み取る（５）。なお、図２では、印刷された二次元コードを撮像する場合を示したが、医療機関等端末１１のディスプレイに表示された二次元コードを撮像して検査値や要因値を読み取ることもできる。

健康管理支援装置２０は、専用の装置であってもよいし、携帯電話端末、スマートフォン、タブレット型端末、ウェアラブル端末などであってもよい。また、印刷された二次元コードを持ち帰り、自宅などでコンピュータに読み取らせてもよい。

このように、二次元コードに符号化された検査結果データから検査値や要因値を読み取ることで、検査値などを正確かつ簡易に取得することが可能である。また、受診者等が健康管理支援装置２０のカメラにより二次元コードを撮像するので、検査値などを意図的に取得したことが明確である。さらに、医療機関等コンピュータ１０と通信する必要がないため、医療機関等コンピュータ１０のセキュリティを低下させることがない。

次に、健康管理支援装置２０の内部構成について説明する。図３は、健康管理支援装置２０の内部構成を示すブロック図である。図３に示すように、健康管理支援装置２０は、カメラ２１、入力部２２、表示部２３、記憶部２４及び制御部２５を有する。

カメラ２１は、既に説明したように、二次元コードの撮像に用いられる撮像デバイスである。入力部２２は、利用者による入力操作に用いられるキーやタッチパネルなどの入力インタフェースである。表示部２３は、液晶パネルなどの出力インタフェースである。入力部２２と表示部２３は、タッチパネルディスプレイとして一体化したものであってもよい。この他、音声出力インタフェースや通信インタフェースを有していてもよい。

記憶部２４は、ハードディスク装置や不揮発性メモリ等の記憶デバイスであり、複数の検査要因データＰ（Ｔ，Ｘ）と係数推定値とを記憶する。ここで、検査要因データＰ（Ｔ，Ｘ）には、本人データと他人データとがある。

本人データは、二次元コードなどから取得された検査値と、利用者の要因値とを対応付けて生成した検査要因データである。本人データは、二次元コードなどから検査値が取得される度に生成され、蓄積される。他人データは、利用者以外の人物から得られた要因検査データである。他人データは、予め記憶部２４に記憶しておくことが好適である。また、図示しない通信インタフェースなどを介して他人データの追加や更新を行うことができるようにしてもよい。

なお、健康管理支援装置２０を複数の利用者が使用する場合には、利用者毎に本人データを区別して管理する。複数の利用者のうち、予測の対象となる対象人物以外の利用者の本人データは、係数の推定に際して他人データとして利用することが可能である。

係数推定値は、本人データや他人データを用いて推定した係数の値であり、係数の推定が行われた後に記憶部２４に格納される。なお、係数の推定から予測までを一連の処理として行う場合には、必ずしも係数推定値を記憶部２４に記憶する必要は無い。この場合には、係数推定値は、メインメモリなどに保持されるので、該メインメモリなどが係数推定値の記憶部として機能することになる。

制御部２５は、健康管理支援装置２０の全体制御を行う制御部であり、二次元コード読取部２５ａ、本人データ蓄積部２５ｂ、変化モデル生成部２５ｃ、処理パターン選択部２５ｄ及び予測部２５ｅを有する。実際には、これらの機能部に対応するプログラムを図示しないＲＯＭや不揮発性メモリに記憶しておき、これらのプログラムをＣＰＵ（Central Processing Unit）にロードして実行することにより、二次元コード読取部２５ａ、本人データ蓄積部２５ｂ、変化モデル生成部２５ｃ、処理パターン選択部２５ｄ及び予測部２５ｅにそれぞれ対応するプロセスを実行させることが好適である。

二次元コード読取部２５ａは、カメラ２１により撮像された画像から二次元コードを検出し、検出した二次元コードを復号する処理部である。二次元コードの復号により、検査値や要因値が得られた場合には、二次元コード読取部２５ａは、検査値や要因値を本人データ蓄積部２５ｂに出力する。

本人データ蓄積部２５ｂは、二次元コード読取部２５ａにより出力された検査値に利用者の要因値を対応付けて本人データを生成し、記憶部２４の本人データに追加する処理部である。

利用者の要因値は、二次元コードからの読取の他、利用者が入力部２２により入力することもできる。成人の身長のように変化がないと推定できる要因値については、入力された要因値を記憶し、再利用可能とすることが望ましい。また、体重計などの計測機器から通信又は二次元コードにより取得してもよい。さらに、利用者の生年月日を登録しておき、検査値の取得日時と生年月日から年齢を算出するなどのように、内部で要因値を特定する演算を行ってもよい。

変化モデル生成部２５ｃは、検査要因データを用いて回帰分析を行い、係数を推定することで変化モデルを生成する処理部である。変化モデルの生成にあたっては、使用する検査要因データや変数の設定が異なる複数の処理パターンが考えられる。

処理パターン選択部２５ｄは、複数の処理パターンから適切な処理パターンを選択する処理部である。変化モデル生成部２５ｃは、処理パターン選択部２５ｄにより選択された処理パターンに従って係数を推定し、変化モデルを生成することになる。なお、推定した係数は記憶部２４に格納するか、もしくはメインメモリなどに保持させる。

予測部２５ｅは、変化モデル生成部２５ｃにより生成された変化モデルを用い、要因値からの検査値の予測や検査値からの要因値の予測を行う処理部である。このとき、対象人物は特定され、かつ予測の基礎となる検査値又は要因値が指定されている。予測の基礎となる検査値や要因値は、例えば利用者が入力部２２により入力することで指定する。

次に、変化モデル生成部２５ｃ、処理パターン選択部２５ｄ及び予測部２５ｅの処理について、詳細に説明する。まず、要因値が１つであれば、既に説明したように、

となるので、要因値が複数の場合には、次の式（６）のようにモデル化される。

式（６）において、Ｓは個人の違いによる影響を示し、εは期待値０の誤差項である。

式（６）では、Ｓは他の要因と独立にＴに影響する。ただし、人によりＸ_ｉのＴへの影響が異なる可能性もある。その場合には、個人によりβ_ｉが異なることになり、Ｔへの影響についてＳ，Ｘ_ｉの間に干渉が存在することになる。

人物の複数の検査要因データを取り扱う場合には、Ｓ＝ｓとこの項は固定されるが、複数の人物の検査要因データを取り扱う場合にはＳが変数となる。Ｓ，Ｘ_ｉの間に干渉が存在するならば、係数は個人により異なる可能性があるので、係数の推定を行うには、個人の複数の検査要因データ、すなわち複数の本人データを用いることが望ましい。しかし、本人データを十分に取得することは困難な場合も多い。本人データの数が不十分である場合には、Ｓ，Ｘ_ｉの間の干渉を無視し、複数の他人データを用いて係数を推定する。

変化モデル生成部２５ｃは、式（６）における検査値の対数（logＴ）を目的変数とし、要因値の対数（logＸ_ｉ）を説明変数とした線形重回帰分析により、係数β_ｉ，ｉ＝０，１，・・・を推定する。

複数の本人データを用いる場合には、Ｓは固定値ｓとなり切片はβ_０＋ｓとなる。多数の他人データを用いる場合には、Ｓは誤差項に組み込まれるが、β_０の調整により、誤差項の期待値は０となるようにする。

次に、同一人物の時点１と時点２の検査値などの差は、式（６）より

となる。^（１）は時点１におけるデータであり、^（２）は時点２におけるデータである。Ｓの項は、同一人物なので、同じ値となり、消去される。

式（７）で、複数の本人データを取り扱うこともできるが、１人あたり２時点のデータを持つ他人データを取り扱うこともできる。１人あたり２時点のデータを持つ他人データを取り扱う場合には、Ｓが消去されているため、１人あたり１時点の他人データを用いるよりも良好な結果が期待できるケースもある。ただし、１人あたり２時点のデータが存在しても、そのデータに十分な差がなければ、有用性は限定的である。

式（７）を用いて係数を推定する場合には、検査値の対数の差分（logＴ^（２）−logＴ^（１））を目的変数とし、要因値の対数（logＸ_ｉ ^（２）−logＸ_ｉ ^（１））を説明変数とした線形重回帰分析により、係数β_ｉ，ｉ＝１，・・・を推定する。

ここで、予測部２５ｅによる予測の目的について説明する。既に説明したように、予測部２５ｅは、要因値からの検査値の予測と、検査値からの要因値の予測とを行う。

要因値からの検査値の予測は、１時点又は複数時点の本人データ、若しくは１時点又は複数時点の他人データを用い、対象となる人物の未来の１時点又は複数時点の検査値を予測する目的で使用することができる。すなわち、対象となる人物の検査値が将来どのように変化していくかを予測するのである。これは、式（６）のＸ_ｉからＴを予測する処理である。

検査値からの要因値の予測は、１時点又は複数時点の本人データ、若しくは１時点又は複数時点の他人データを用い、対象となる人物が未来の１時点又は複数時点において、特定の検査値を目標値とするために、体重などの要因値をどれだけ変化させる必要があるかを予測する目的で使用することができる。これは、式（６）のＴからＸ_ｉを予測する処理である。

これらの予測を行うためには、まず、β_ｉなどの係数の推定を行い、推定した係数を用いてＴやＸ_ｉを算定するのであるが、このとき、係数の推定に用いる元データの種別、係数の推定における変数の設定、そして予測の基礎データにより、異なる複数の処理パターンがある。

図４は、処理パターンを説明する説明図である。まず、β_ｉなどの係数の推定に際し、元データの種別が本人データのみであるか、他人データを含めるかで処理パターンを分ける。元データの種別が本人データのみの処理パターンＡ１〜Ａ４を用いる場合には、複数の本人データが必要である。他人データを含めて係数の推定を行う処理パターンＡ５〜Ａ８では、本人データは１つ（予測の基礎データとしての最低数）でもよい。

次に、変数の設定については、各データを個別に用いるか、データの差分を用いるかにより、処理パターンを分ける。各データを個別に用いる処理パターンＡ１，Ａ２，Ａ５，Ａ６では、式（６）を用い、検査値の対数（logＴ）を目的変数とし、要因値の対数（logＸ_ｉ）を説明変数とする。データの差分を用いる処理パターンＡ３，Ａ４，Ａ７，Ａ８では、式（７）を用い、検査値の対数の差分（logＴ^（２）−logＴ^（１））を目的変数とし、要因値の対数（logＸ_ｉ ^（２）−logＸ_ｉ ^（１））を説明変数とする。

なお、差分は同一人物の隣接するデータから算定する。例えば、同一人物についてｎ時点分の検査要因データが存在する場合、これらの検査要因データからはｎ−１の差分が得られる。

次に、係数の推定を行った後、例えば未来の時点の検査値又は要因値の目標値を予測するのであるが、この予測の基礎となるデータを単一の本人データとするか、複数の本人データとするかで処理パターンを分ける。予測の基礎を単一の本人データとするのが処理パターンＡ２，Ａ４，Ａ６，Ａ８であり、予測の基礎を複数の本人データとするのが処理パターンＡ１，Ａ３，Ａ５，Ａ７である。

このように、処理パターンはＡ１〜Ａ８の８つに分けられるが、その全てが妥当な処理とは言えない。まず、予測の基礎データについて、係数の推定後に予測の基礎となるデータは、一般に１時点の本人データであり、特に直近の本人データが用いられる。しかし、多数の本人データが存在するならば、それらを用いて係数を推定するとともに、直近の１時点のデータではなく複数の本人データを基礎として予測が可能である。この場合には、式（６）の切片β_０の推定が必要であり、式（７）のように差分を変数とするのは適当ではない。また、多数の他人データを係数推定の元データとし、予測の基礎データを複数の本人データとするのも適当ではない。従って、処理パターンＡ３，Ａ５，Ａ７は使用するには不適である。

次に、変数の設定については、各データを個別に変数として用いても、データの差分を変数として用いても、予測の基礎データが単一であるか複数であるかに関わらず適切に処理が可能である。

以上より、処理パターンＡ１，Ａ２，Ａ４，Ａ６，Ａ８は適切な処理が可能である。しかし、当然ながら、これらの処理パターンが使用可能となるのは必要なデータが得られる（例えば記憶部２４に記憶されている）場合である。処理パターンＡ１，Ａ２，Ａ４を用いるには、複数の本人データが得られる必要がある。また、処理パターンＡ６を用いるには、複数の他人データが得られる必要がある。そして、処理パターンＡ８を用いるには、同一人物の差分を複数得ることができる必要がある。なお、同一人物の差分を複数用いる場合には、例えば異なる人物についてそれぞれ２以上の検査要因データがあればよい。

次に、処理パターンの選択について説明する。図５は、処理パターンの選択について説明するフローチャートである。まず、処理パターン選択部２５ｄは、記憶部２４に記憶された本人データの数がｎ以上であるか否かを判定する（ステップＳ１０１）。ここで、ｎは３≦ｎ≦１０であることが好適であり、例えばｎ＝４とすればよい。

本人データの数がｎ以上であるならば（ステップＳ１０１；Ｙｅｓ）、処理パターン選択部２５ｄは、係数推定の元データとして本人データを使用することを決定する（ステップＳ１０８）。

ステップＳ１０８により係数推定の元データとして本人データを使用することを決定した後、処理パターン選択部２５ｄは、本人データの数がｍ以上であるか否かを判定する（ステップＳ１０９）。ここで、ｍはｎ＋１≦ｍ≦ｎ＋５であることが好適であり、例えばｍ＝ｎ＋１とすればよい。

本人データの数がｍ以上であるならば（ステップＳ１０９；Ｙｅｓ）、処理パターン選択部２５ｄは、係数推定に本人データの差分を用いることを決定する（ステップＳ１１０）。この結果、処理パターンはＡ４となり、変化モデル生成部２５ｃは、処理パターンＡ４に従って係数推定処理を行って（ステップＳ１１１）、処理を終了する。なお、本人データ数がｍであれば、隣接する本人データから得られる差分の数はｍ−１であり、ｍ−１個のデータが係数推定処理に用いられることになる。

本人データの数がｍ以上であるならば（ステップＳ１０９；Ｎｏ）、処理パターン選択部２５ｄは、係数推定に本人データを個別に用いることを決定する（ステップＳ１１２）。この結果、処理パターンはＡ１又はＡ２となり、変化モデル生成部２５ｃは、処理パターンＡ１又はＡ２に従って係数の推定を行って（ステップＳ１１３）、処理を終了する。なお、例えば本人データ数がｎであれば、このｎ個の本人データが係数推定処理に用いられることになる。

本人データの数がｎ未満であるならば（ステップＳ１０１；Ｎｏ）、処理パターン選択部２５ｄは、係数推定の元データとして他人データを使用することを決定する（ステップＳ１０２）。

ステップＳ１０２により係数推定の元データとして他人データを使用することを決定した後、処理パターン選択部２５ｄは、同一人物の差分を複数算出することができるか否かを判定する（ステップＳ１０３）。

同一人物の差分を複数算出することができるならば（ステップＳ１０３；Ｙｅｓ）、処理パターン選択部２５ｄは、係数推定に他人データの差分を用いることを決定する（ステップＳ１０４）。この結果、処理パターンはＡ８となり、変化モデル生成部２５ｃは、処理パターンＡ８に従って係数推定処理を行って（ステップＳ１０５）、処理を終了する。

同一人物の差分を複数算出することができなければ（ステップＳ１０３；Ｎｏ）、処理パターン選択部２５ｄは、係数推定に他人データを個別に用いることを決定する（ステップＳ１０６）。この結果、処理パターンはＡ６となり、変化モデル生成部２５ｃは、処理パターンＡ６に従って係数の推定を行って（ステップＳ１０７）、処理を終了する。

なお、図５に示したように処理パターンを選択して係数推定を行った後に、推定された係数が妥当でないと判定された場合や、使用したデータに不備があると判定された場合等には、使用する処理パターンを変更して再度係数の推定を行えばよい。

図５に示したように処理パターンを選択して係数推定を行った後、予測部２５ｅは選択された処理パターンに従って基礎データを決定し、予測処理を行う。図６は、予測部２５ｅの処理について説明するフローチャートである。

予測部２５ｅは、処理パターン選択部２５ｄにより選択された処理パターンがＡ１であるか否かを判定する（ステップＳ２０１）。処理パターンＡ１は、図５に示したステップＳ１１３により処理パターンＡ１又はＡ２が選択され、かつ、直近の本人データが何らかの理由で不適当な場合に選択される。例えば、直近の本人データが治療中に取得され、治療時に用いた薬剤の影響を受けている場合、何らかの疾患に罹患して、あるいは疾患が改善して、または疾患の状態が変化して、その影響を受けている場合には、直近のデータは不適当である。

選択された処理パターンがＡ１であるならば（ステップＳ２０１；Ｙｅｓ）、予測部２５ｅは、複数の本人データを基礎として予測処理を行い（ステップＳ２０３）、処理を終了する。一方、選択された処理パターンがＡ１でなければ（ステップＳ２０１；Ｎｏ）、すなわち、選択された処理パターンＡ２，Ａ４，Ａ６，Ａ８のいずれかであれば、予測部２５ｅは、単一の本人データを基礎として予測処理を行い（ステップＳ２０２）、処理を終了する。

なお、ステップＳ２０２及びステップＳ２０３の予測処理では、予測部２５ｅは、要因値からの検査値の予測、又は検査値からの要因値の予測を行う。要因値からの検査値の予測を行う場合には、予測部２５ｅは要因値の指定を受け付け、受け付けた要因値に対応する検査値の予測値を算定して出力する。検査値からの要因値の予測を行う場合には、予測部２５ｅは検査値の指定を受け付け、受け付けた検査値に対応する要因値の予測値を算定して出力する。

以上のように、本人データが充分に存在する、例えばｎ個以上存在する場合には、健康管理支援装置２０は、処理パターンＡ１又はＡ２を使用する。すなわち、健康管理支援装置２０は、本人データのみを利用し、式（６）における検査値の対数（logＴ）を目的変数とし、要因値の対数（logＸ_ｉ）を説明変数とした線形回帰により係数β_ｉを推定する。このとき、式（６）のＳは定数として切片に組み入れる。

また、本人データがさらに充分に存在する、例えばｍ個以上存在する場合には、健康管理支援装置２０は、処理パターンＡ４を使用する。すなわち、健康管理支援装置２０は、本人データのみを利用し、式（７）における検査値の対数の差分（logＴ^（２）−logＴ^（１））を目的変数とし、要因値の対数（logＸ_ｉ ^（２）−logＸ_ｉ ^（１））を説明変数とした線形回帰により係数β_ｉを推定する。

そして、本人データが充分に存在しない、例えばｎ個に満たない場合には、健康管理支援装置２０は、他人データを利用して係数β_ｉを推定する。ここで、複数の他人から、少なくともそれぞれ１時点以上の検査要因データが得られるならば、健康管理支援装置２０は、処理パターンＡ６を使用する。すなわち、式（６）における検査値の対数（logＴ）を目的変数とし、要因値の対数（logＸ_ｉ）を説明変数とした線形回帰により係数β_ｉを推定する。このとき、式（６）のＳはεに含め観察できない変数として取り扱う。

ただし、複数の他人から、少なくともそれぞれの個人で２時点以上の検査要因データが得られるならば、健康管理支援装置２０は、処理パターンＡ８を使用する。すなわち、健康管理支援装置２０は、式（７）における検査値の対数の差分（logＴ^（２）−logＴ^（１））を目的変数とし、要因値の対数（logＸ_ｉ ^（２）−logＸ_ｉ ^（１））を説明変数とした線形回帰により係数β_ｉを推定する。

次に、処理パターンＡ２，Ａ４，Ａ６，Ａ８における検査値の予測について説明する。まず、式（６）においてｉ＝１であり要因値が１つしかない場合について説明する。この場合に、係数β_１が推定され、過去のある時点（例えば直近）の要因値Ｘ_１（例えばＢＭＩ）がｘ^（１）でＴ（例えばＬＤＬコレステロール値）がｔ^（１）であるとして、未来のＸ_１がｘ^（２）の時のＴの値ｔ^（２）を知りたいとすると、次の式（８）となる。

この式（８）から、次の式（９）に示すようにｔ^（２）を算定することができる。

このｔ^（２）が、Ｘ_１がｘ^（２）となったときの検査値の予測値である。

次に、式（６）において要因値が２つである場合について説明する。例えば、ＢＭＩと年齢を要因値とするような場合である。ＢＭＩは、体重と置き換えてもよい。要因値のうち、年齢は対象者が自分で制御することが不可能であるが、体重やＢＭＩは制御できる。

式（６）の係数β_１，β_２が推定されており、過去のある時点（例えば直近）の要因値（例えばＢＭＩと年齢）Ｘ_ｉ（ｉ＝１，２）がｘ_ｉ ^（１）（ｉ＝１，２）で検査値Ｔ（例えばＨｂＡｌｃ）がｔ^（１）であるとして、未来のＸ_ｉがｘ_ｉ ^（２）の時のＴの値ｔ^（２）を知りたいとすると、次の式（１０）となる。

この式（１０）から、次の式（１１）に示すようにｔ^（２）を算定することができる。

このｔ^（２）が、Ｘ_１＝ｘ_１ ^（２），Ｘ_２＝ｘ_２ ^（２）となったときの検査値の予測値である。

なお、要因値が３つ以上存在する場合にも、同様に検査値の予測値を求めることができる。例えば、ＢＭＩと年齢以外にも要因が存在する場合には、Ｘ_１，Ｘ_２にＸ_ｉ（ｉ＝３，４，・・・）などを加える。

次に、処理パターンＡ２，Ａ４，Ａ６，Ａ８における要因値の予測について説明する。まず、式（６）においてｉ＝１であり要因値が１つしかない場合について説明する。この場合に、係数β_１が推定され、過去の１時点（例えば直近）の要因値Ｘ_１（例えばＢＭＩ）がｘ^（１）でＴがｔ^（１）であるとして、未来に検査値を目標値であるｔ^（２）にするためのｘ^（２）は、式（８）より

として表される。これが、検査値をｔ^（２）にするための要因値（例えばＢＭＩや体重）の予測値である。従って、検査値をｔ^（２）にするために必要な要因値の変化量はｘ^（２）−ｘ^（１）となる。ｘ^（２）−ｘ^（１）＜０であれば、要因値（例えばＢＭＩや体重）を減らす必要があることになる。

次に、式（６）において要因値が２つ（例えばＢＭＩと年齢）である場合について説明する。式（６）の係数β_１，β_２が推定されており、過去の１時点（例えば直近）の要因値Ｘ_ｉ（ｉ＝１，２）がｘ_ｉ ^（１）（ｉ＝１，２）で検査値Ｔがｔ^（１）であるとして、未来にＸ_２がｘ_２ ^（２）の時のＴをｔ^（２）にするためのｘ_１ ^（２）は、次の式（１３）により求められる。

これが、ｘ_２ ^（２）となる未来の時点で、検査値をｔ^（２）にするための要因値（例えばＢＭＩや体重）の予測値である。従って、検査値をｔ^（２）にするために必要な要因値の変化量はｘ_１ ^（２）−ｘ_１ ^（１）となる。ｘ^（２）−ｘ^（１）＜０であれば、要因値（例えばＢＭＩや体重）を減らす必要があることになる。

要因値が３つ以上存在する場合にも、同様に要因値の予測値を求めることができる。例えば、ＢＭＩと年齢以外にも要因が存在する場合には、Ｘ_１，Ｘ_２にＸ_ｉ（ｉ＝３，４，・・・）などを加える。

次に、処理パターンＡ１における予測について説明する。個人データが複数ある場合、式（６）に基づいて線形回帰により係数β_ｉを推定することができる。このとき、同一人物のデータであるためＳは定数として切片β_０に含まれる。処理パターンＡ１以外では、切片β_０を予測に用いないが、処理パターンＡ１では切片β_０を用いて予測を行う。

既に説明したように、本人データのみを係数推定に用いるのは処理パターンＡ１，Ａ２，Ａ４である。このうち、処理パターンＡ２，Ａ４では、単一の本人データを基礎とし、切片β_０は用いず、β_ｉ（ｉ＝１，２，・・・）の傾きを用いて予測を行う。多くの場合は、直近の本人データを基礎として用いる。ところが、直近の本人データが何らかの理由で不適当である場合には予測の信頼性が低下する。かかる場合には処理パターンＡ１の方が優れている。

処理パターンＡ１では、係数の推定値を用い、Ｘ_ｉ＝ｘ_ｉである時のＴの値ｔを次の式（１４）により予測する。

そして、Ｘ_ｉ（ｉ＝２，・・・）であるときに、検査値をｔとするためのｘ_１は、次の式（１５）により求める。

このように、処理パターンＡ１では、要因値を予測する場合にも、検査値を予測する場合にも、切片β_０を用いることになる。

次に、健康管理支援装置２０による予測の具体例について説明する。図７は、健康管理支援装置２０による予測の具体例についての説明図である。図７（ａ）は、多数の日本人男性の検査要因データを用い、ＬＤＬコレステロールについて式（６）により推定した係数である。なお、式（６）の要因値をＸ_１とＸ_２の２つとし、Ｘ_１としてＢＭＩを用い、Ｘ_２として年齢を用いた。また、ＴはＬＤＬコレステロール値である。

その結果、図７（ａ）に示すように、ＢＭＩの係数（β_１）は「０．６０２」、年齢の係数（β_２）は「０．１２５」となった。これらの係数を用いた予測の結果が図７（ｂ）である。

予測の対象人物は、４５歳の日本人男性Ｂ氏であり、身長は１７２．３ｃｍ、体重は８３．２ｋｇである。そして、ＬＤＬコレステロール値は１４３ｍｇ／ｄＬであった。身長と体重から、ＢＭＩは、８３．２／（１７２．３／１００）^２＝２８．０である。

Ｂ氏の年齢が４５歳と４６歳の場合について、体重６０ｋｇから体重９０ｋｇまでの５ｋｇごとにＬＤＬコレステロール値を予測すると、式（１１）より、図７（ｂ）に示した各予測値が得られる。

例えば、４５歳で９０ｋｇまで体重が増えると、ＬＤＬコレステロール値は１４９．９ｍｇ／ｄＬとなり、６５ｋｇまで体重を減らせばＬＤＬコレステロール値は１２３．３ｍｇ／ｄＬとなることが予測されている。

また、４６歳で９０ｋｇまで体重が増えると、ＬＤＬコレステロール値は１５０．３ｍｇ／ｄＬとなり、６５ｋｇまで体重を減らせばＬＤＬコレステロール値は１２３．６ｍｇ／ｄＬとなることが予測されている。

さらに、Ｂ氏の年齢を４５歳〜６０歳、体重を６０ｋｇ〜９０ｋｇとした場合のＬＤＬコレステロール値を式（１１）により算定し、グラフに描画すると図８のグラフが得られる。

このように、体重変化によるＬＤＬコレステロール値の変化を数値やグラフにして報知することにより、対象人物（Ｂ氏）は、体重の制御への意欲を高めることができる。

次に、目標となる要因値の予測について説明する。現在４５歳のＢ氏が４６歳の時点でＬＤＬコレステロール値を基準値上限である１４０ｍｇ／ｄＬにしたいと考えた場合には、式（１３）から、目標となるＢＭＩは２７．１となる。ＢＭＩを２７．１とするには、
２７．１×（１７２．３／１００）^２＝８０．３
より、８０．３ｋｇが体重の目標値となる。４５歳のうちにＬＤＬコレステロール値の基準値上限（１４０ｍｇ／ｄＬ）を目標とするならば、体重の目標値は８０．０ｋｇである。

このように、目標のＬＤＬコレステロール値に対応する体重の値を算出して報知することにより、体重の制御に対して明確な目標を与えることができる。

次に、健康管理支援装置２０による予測の他の具体例について説明する。まず、要因値をＢＭＩのみとし、ＬＤＬコレステロール値を検査値として、複数の女性の検査要因データから要因値の係数を推定すると、その値は０．２６となった。また、要因値をＢＭＩのみとし、ＨＤＬコレステロール値を検査値として、複数の男性の検査要因データから要因値の係数を推定すると、その値は−０．７０となった。

対象人物Ｃ氏は女性であり、直近のＬＤＬコレステロール値は１２５ｍｇ／ｄＬ、直近の体重は６５．３ｋｇ、身長は１６０．１ｃｍである。対象人物Ｄ氏は男性であり、直近のＨＤＬコレステロール値は３６ｍｇ／ｄＬ、直近の体重は７４．３ｋｇ、身長は１７６．２ｃｍである。

Ｃ氏のＬＤＬコレステロール値とＤ氏のＨＤＬコレステロール値について、式（９）を用いて予測を行った結果が図９（ａ）である。この結果では、例えば、Ｃ氏の体重が７０ｋｇまで増えると、ＬＤＬコレステロール値は１２７．３ｍｇ／ｄＬとなり、５５ｋｇまで体重を減らせばＬＤＬコレステロール値は１１９．５ｍｇ／ｄＬとなることが予測されている。また、Ｄ氏の体重が９０ｋｇまで体重が増えると、ＨＤＬコレステロール値は３４．４ｍｇ／ｄＬとなり、７０ｋｇまで体重を減らせばＨＤＬコレステロール値は４１．０ｍｇ／ｄＬとなることが予測されている。

Ｃ氏がＬＤＬコレステロール値の目標値を１２０ｍｇ／ｄＬに定め、Ｄ氏がＨＤＬコレステロール値の目標値を４０ｍｇ／ｄＬに定めると、式（１２）から目標体重が得られる。その結果が図９（ｂ）である。この結果では、Ｃ氏の目標体重が５５．８ｋｇであり、Ｄ氏の目標体重が７２．５ｋｇであることが示されている。

これまでの説明では、健康管理支援装置２０を例示して説明を行ったが、本発明は健康管理支援プログラムや健康管理支援システムとして実施することも可能である。

図１０は、健康管理支援プログラムの実施例である。図１０に示したコンピュータ３０は、ＣＰＵ３１、メモリ３２、ＨＤＤ（Hard Disk Drive）３３、インタフェースボード３４を有する。

ＨＤＤ３３は、磁気ディスクに健康管理支援プログラム、本人データ及び他人データを保持する。コンピュータ３０が健康管理支援プログラムをメモリ３２に展開して実行すると、二次元コード読取プロセス３２ａ、本人データ蓄積プロセス３２ｂ、変化モデル生成部プロセス３２ｃ、処理パターン選択プロセス３２ｄ及び予測プロセス３２ｅが実行されることとなる。二次元コード読取プロセス３２ａ、本人データ蓄積プロセス３２ｂ、変化モデル生成部プロセス３２ｃ、処理パターン選択プロセス３２ｄ及び予測プロセス３２ｅは、図３に示した二次元コード読取部２５ａ、本人データ蓄積部２５ｂ、変化モデル生成部２５ｃ、処理パターン選択部２５ｄ及び予測部２５ｅにそれぞれ対応する処理を行なう。

このように、コンピュータ３０は、健康管理支援プログラムを読み出して実行することで、健康管理支援装置として動作することができる。なお、各プロセスが使用するデータはインタフェースボード３４を介して外部から取得することができ、また、各プロセスが出力するデータはインタフェースボード３４を介して外部に出力することができる。インタフェースボード３４には、ディスプレイ、キーボード、カメラなどの各種インタフェースデバイスが接続される。なお、図１０ではＨＤＤにプログラムを格納する場合を例に説明したが、ＣＤ（Compact Disc）など任意の記録媒体をプログラムの格納先として用いることができる。

図１１は、健康管理支援システムの実施例である。図１１では、複数の個人端末１２０、複数の医療機器１３０及びデータベース１５０がサーバ１４０に接続されている。医療機器１３０は、例えば医療機関等に設置され、検査要因データをサーバ１４０に送信する。データベース１５０は、検査要因データに個人を識別する個人ＩＤを付して蓄積している。

個人端末１２０は、予測の対象である個人が利用する端末装置であり、二次元コード読取部１２１ａ、通信部１２１ｂ及び予測部１２１ｃを有する。個人端末１２０は、専用の装置であってもよいし、携帯電話端末、スマートフォン、タブレット型端末、ウェアラブル端末、コンピュータなどであってもよい。

二次元コード読取部１２１ａは、図３に示した二次元コード読取部２５ａと同様に機能する。通信部１２１ｂは、二次元コード読取部１２１ａにより出力された検査値に個人端末１２０の利用者の要因値及び識別情報を対応付けてサーバ１４０に送信する。また、通信部１２１ｂは、サーバ１４０から係数推定値を受信する。予測部１２１ｃは、通信部１２１ｂが受信した係数推定値を用いて、図３に示した予測部２５ｅと同様に予測を行うことになる。

サーバ１４０は、データ蓄積部１４１ａ、変化モデル生成部１４１ｂ及び処理パターン選択部１４１ｃを有する。データ蓄積部１４１ａは、医療機器１３０から受信した検査要因データに個人ＩＤを付してデータベース１５０に登録する。また、データ蓄積部１４１ａは、個人端末１２０から受信した検査値に要因値を対応づけて検査要因データを生成し、識別情報に基づいて個人ＩＤを付与してデータベース１５０に登録する。

変化モデル生成部１４１ｂは、データベース１５０に蓄積された検査要因データを用い、図３に示した変化モデル生成部２５ｃと同様に変化モデルを生成する。また、処理パターン選択部１４１ｃは、図３に示した処理パターン選択部２５ｄと同様に処理パターンを選択する。

このように、システム上で各機能が分散された場合であっても、図３に示した健康管理支援装置２０と同様の動作が実現可能である。

また、他の変形例として、利用者が自身で検査値を取得してもよい。図１２は、利用者による検査値の取得についての説明図である。利用者は、検査機１１０を用いて検査値の測定を行う（１）。これは、利用者の血液からの測定であってもよいし、血圧計などによる測定であってもよい。

検査機１１０は、測定した検査値を二次元コードに符号化してディスプレイに表示する。利用者は、個人端末１２０のカメラによりディスプレイ上の二次元コードを撮像し、二次元コードから検査値を読み取る（２ａ）。

または、検査機１１０が検査値の二次元コードをプリンタ１１２に送信し（２ｂ）、プリンタが二次元コードを印刷する（３ｂ）こととしてもよい。この場合には、利用者は、個人端末１２０のカメラにより印刷された二次元コードを撮像し、二次元コードから検査値を読み取る（４ｂ）ことになる。

上述してきたように、本実施例に係る健康管理支援装置、健康管理支援システム及び健康管理支援方法は、検査値と検査値に影響を及ぼす要因値とを対応付けた検査要因データに基づいて、検査値の変化の割合と要因値の変化の割合との関連を示す変化モデルを生成し、生成した変化モデルと対象となる人物の検査要因データとを用いて検査値や要因値の変化を予測する。このため、検査値と要因値との関係を正確にモデル化し、検査対象となる人物に個別化した精度のよい予測を行うことができる。これにより、検査対象に応じた適正な情報を迅速かつ効率的に提供することが可能である。

なお、本実施例は発明を限定するものではなく、適宜変形して実施することができる。例えば、検査値から要因値の予測を行う場合には、検査値を説明関数とし、要因値を目的関数として回帰分析を行ってもよい。

また、検査要因データの数が多い場合には、その全てを使うのではなく、検査要因データの一部を抽出して使用してもよい。具体的には、検査対象となる人物と類似の属性を有する人物の検査要因データを抽出することが有効である。例えば、性別や職業を属性として用いて抽出してもよい。さらに、予測の際に指定する検査値や要因値が、変化モデルの生成に用いる検査要因データの平均値近傍となるように検査要因データを抽出してもよい。線形回帰により生成した変化モデルを用いて予測値を算定する場合には、平均値近傍で精度が高くなるためである。

また、予測値を報知する場合には、その精度を示す情報を併せて報知することも有効である。

さらに、本実施例では、人を検査対象とする場合を例に説明を行ったが、ペットや家畜などの動物を検査対象とする場合にも適用可能である。

また、本実施例では、二次元コードから検査値を取得する場合を例に説明を行ったが、検査値の取得は二次元コードからに限定されるものではなく、通信により検査値を取得する、操作者からの検査値の入力を受け付けるなど、任意の方法で取得した検査値を用いて本発明を利用可能である。

以上のように、本発明に係る健康管理支援装置、健康管理支援システム及び健康管理支援方法は、検査対象に応じた適正な情報を迅速かつ効率的に提供することに適している。

１０ 医療機関等コンピュータ
１１ 医療機関等端末
１２、１１２ プリンタ
２０ 健康管理支援装置
２１ カメラ
２２ 入力部
２３ 表示部
２４ 記憶部
２５ 制御部
２５ａ、１２１ａ 二次元コード読取部
２５ｂ 本人データ蓄積部
２５ｃ、１４１ｂ 変化モデル生成部
２５ｄ、１４１ｃ 処理パターン選択部
２５ｅ、１２１ｃ 予測部
３０ コンピュータ
３１ ＣＰＵ
３２ メモリ
３２ａ 二次元コード読取プロセス
３２ｂ 本人データ蓄積プロセス
３２ｃ 変化モデル生成部プロセス
３２ｄ 処理パターン選択プロセス
３２ｅ 予測プロセス
３３ ＨＤＤ
３４ インタフェースボード
１１０ 検査機
１２０ 個人端末
１２１ｂ 通信部
１３０ 医療機器
１４０ サーバ
１４１ａ データ蓄積部
１５０ データベース

次に、処理パターンＡ２，Ａ４，Ａ６，Ａ８における要因値の予測について説明する。まず、式（６）においてｉ＝１であり要因値が１つしかない場合について説明する。この場合に、係数β_１が推定され、過去の１時点（例えば直近）の要因値Ｘ_１（例えばＢＭＩ）がｘ^（１）でＴがｔ^（１）であるとして、未来に検査値を目標値であるｔ^（２）にするためのｘ^（２）は、式（８）より

として表される。これが、検査値をｔ^（２）にするための要因値（例えばＢＭＩや体重）の予測値である。従って、検査値をｔ^（２）にするために必要な要因値の変化量はｘ^（２）−ｘ^（１）となる。ｘ^（２）−ｘ^（１）＜０であれば、要因値（例えばＢＭＩや体重）を減らす必要があることになる。

次に、式（６）において要因値が２つ（例えばＢＭＩと年齢）である場合について説明する。式（６）の係数β_１，β_２が推定されており、過去の１時点（例えば直近）の要因値Ｘ_ｉ（ｉ＝１，２）がｘ_ｉ ^（１）（ｉ＝１，２）で検査値Ｔがｔ^（１）であるとして、未来にＸ_２がｘ_２ ^（２）の時のＴをｔ^（２）にするためのｘ_１ ^（２）は、次の式（１３）により求められる。

これが、ｘ_２ ^（２）となる未来の時点で、検査値をｔ^（２）にするための要因値（例えばＢＭＩや体重）の予測値である。従って、検査値をｔ^（２）にするために必要な要因値の変化量はｘ_１ ^（２）−ｘ_１ ^（１）となる。ｘ _１ ^（２）−ｘ _１ ^（１）＜０であれば、要因値（例えばＢＭＩや体重）を減らす必要があることになる。

Claims (10)

1. 検査対象及び／又は非検査対象の健康状態をあらかじめ検査した同一種別の複数の検査値と、各検査値にそれぞれ影響を及ぼす複数の身体的な要因値とに基づいて、前記検査値の変化の割合と前記要因値の変化の割合との関連を示す関連情報を算定する関連情報算定部と、
   前記関連情報算定部により算定された前記関連情報を記憶する記憶部と、
   前記検査対象の健康状態を検査した検査値及び該検査値に影響を及ぼす検査対象の身体的な要因値と、前記記憶部に記憶された前記関連情報とに基づいて、前記検査対象の検査値又は要因値に係る予測値を算定する予測値算定部と、
   前記予測値算定部により算定された前記予測値を報知する報知部と
   を備えたことを特徴とする健康管理支援装置。
2. 前記関連情報算定部は、前記検査値の対数を目的変数とし、前記要因値の対数を説明変数とした回帰分析により前記説明変数の係数を前記関連情報として算定することを特徴とする請求項１に記載の健康管理支援装置。
3. 前記関連情報算定部は、同一人物の検査値の対数の差分を目的変数とし、前記同一人物の要因値の対数の差分を説明変数とした回帰分析により前記説明変数の係数を前記関連情報として算定することを特徴とする請求項１に記載の健康管理支援装置。
4. 前記関連情報算定部は、前記目的変数を前記説明変数の一次式として回帰分析を行うことを特徴とする請求項２又は３に記載の健康管理支援装置。
5. 前記非検査対象の検査値と要因値とを前記係数の算定に使用するか否か及び／又は前記係数の算定に使用する変数が異なる複数の処理パターンからいずれかを選択する処理パターン選択部をさらに備え、
   前記関連情報算定部は、前記処理パターン選択部により選択された処理パターンに従って前記係数を算定することを特徴とする請求項２、３又は４に記載の健康管理支援装置。
6. 前記処理パターン選択部は、前記検査対象の検査値及び要因値が所定数以上存在する場合に、前記検査対象の検査値及び要因値を選択的に用いる処理パターンを選択することを特徴とする請求項５に記載の健康管理支援装置。
7. 前記処理パターン選択部は、前記検査対象の検査値及び要因値が前記所定数に満たない場合に、前記非検査対象の検査値及び要因値を使用する処理パターンを選択することを特徴とする請求項６に記載の健康管理支援装置。
8. 二次元コードを復号する二次元コード復号部と、
   前記二次元コード復号部による復号結果から前記検査対象の検査値を取得する検査値取得部と
   をさらに備えたことを特徴とする請求項１〜７のいずれか一つに記載の健康管理支援装置。
9. 検査対象及び／又は非検査対象の健康状態をあらかじめ検査した同一種別の複数の検査値と、各検査値にそれぞれ影響を及ぼす複数の身体的な要因値とに基づいて、前記検査値の変化の割合と前記要因値の変化の割合との関連を示す関連情報を算定する関連情報算定部と、
   前記関連情報算定部により算定された前記関連情報を記憶する記憶部と、
   前記検査対象の健康状態を検査した検査値及び該検査値に影響を及ぼす検査対象の身体的な要因値と、前記記憶部に記憶された前記関連情報とに基づいて、前記検査対象の検査値又は要因値に係る予測値を算定する予測値算定部と、
   前記予測値算定部により算定された前記予測値を報知する報知部と
   を備えたことを特徴とする健康管理支援システム。
10. 検査対象及び／又は非検査対象の健康状態をあらかじめ検査した同一種別の複数の検査値と、各検査値にそれぞれ影響を及ぼす複数の身体的な要因値とに基づいて、前記検査値の変化の割合と前記要因値の変化の割合との関連を示す関連情報を算定する関連情報算定ステップと、
    前記検査対象の健康状態を検査した検査値及び該検査値に影響を及ぼす検査対象の身体的な要因値と、前記関連情報算定ステップにより算定された前記関連情報とに基づいて、前記検査対象の検査値又は要因値に係る予測値を算定する予測値算定ステップと、
    前記予測値算定ステップにより算定された前記予測値を報知する報知ステップと
    を含むことを特徴とする健康管理支援方法。

Images