JP7333549B2 - 疾病リスク評価方法、疾病リスク評価システム、及び健康情報処理装置 - Google Patents
疾病リスク評価方法、疾病リスク評価システム、及び健康情報処理装置 Download PDFInfo
- Publication number
- JP7333549B2 JP7333549B2 JP2021152523A JP2021152523A JP7333549B2 JP 7333549 B2 JP7333549 B2 JP 7333549B2 JP 2021152523 A JP2021152523 A JP 2021152523A JP 2021152523 A JP2021152523 A JP 2021152523A JP 7333549 B2 JP7333549 B2 JP 7333549B2
- Authority
- JP
- Japan
- Prior art keywords
- disease
- data
- clustering
- risk
- diagnostic data
- 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.)
- Active
Links
- 201000010099 disease Diseases 0.000 title claims description 233
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims description 233
- 230000036541 health Effects 0.000 title claims description 42
- 238000000034 method Methods 0.000 title description 42
- 238000012502 risk assessment Methods 0.000 title description 32
- 230000010365 information processing Effects 0.000 title description 4
- 238000001914 filtration Methods 0.000 claims description 54
- 238000012795 verification Methods 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 30
- 238000013507 mapping Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 14
- 206010061818 Disease progression Diseases 0.000 claims description 6
- 230000005750 disease progression Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 206010012601 diabetes mellitus Diseases 0.000 description 27
- 208000024172 Cardiovascular disease Diseases 0.000 description 21
- 238000009534 blood test Methods 0.000 description 20
- 210000003743 erythrocyte Anatomy 0.000 description 18
- 238000010586 diagram Methods 0.000 description 17
- 238000004458 analytical method Methods 0.000 description 13
- 238000004820 blood count Methods 0.000 description 12
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 12
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 12
- 208000024891 symptom Diseases 0.000 description 12
- 239000000090 biomarker Substances 0.000 description 10
- 238000000053 physical method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000002562 urinalysis Methods 0.000 description 10
- OVBPIULPVIDEAO-LBPRGKRZSA-N folic acid Chemical compound C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)N[C@@H](CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-LBPRGKRZSA-N 0.000 description 9
- 230000002596 correlated effect Effects 0.000 description 8
- 208000010125 myocardial infarction Diseases 0.000 description 8
- 206010019280 Heart failures Diseases 0.000 description 7
- 230000003187 abdominal effect Effects 0.000 description 7
- 210000000440 neutrophil Anatomy 0.000 description 7
- 238000000926 separation method Methods 0.000 description 7
- 108010088751 Albumins Proteins 0.000 description 6
- 102000009027 Albumins Human genes 0.000 description 6
- 235000012000 cholesterol Nutrition 0.000 description 6
- 229940109239 creatinine Drugs 0.000 description 6
- 210000000265 leukocyte Anatomy 0.000 description 6
- 210000004698 lymphocyte Anatomy 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 210000003979 eosinophil Anatomy 0.000 description 5
- 235000019152 folic acid Nutrition 0.000 description 5
- 239000011724 folic acid Substances 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000035488 systolic blood pressure Effects 0.000 description 5
- JWUBBDSIWDLEOM-UHFFFAOYSA-N 25-Hydroxycholecalciferol Natural products C1CCC2(C)C(C(CCCC(C)(C)O)C)CCC2C1=CC=C1CC(O)CCC1=C JWUBBDSIWDLEOM-UHFFFAOYSA-N 0.000 description 4
- JWUBBDSIWDLEOM-DCHLRESJSA-N 25-Hydroxyvitamin D3 Natural products C1(/[C@@H]2CC[C@@H]([C@]2(CCC1)C)[C@@H](CCCC(C)(C)O)C)=C/C=C1\C[C@@H](O)CCC1=C JWUBBDSIWDLEOM-DCHLRESJSA-N 0.000 description 4
- JWUBBDSIWDLEOM-NQZHSCJISA-N 25-hydroxy-3 epi cholecalciferol Chemical compound C1([C@@H]2CC[C@@H]([C@]2(CCC1)C)[C@@H](CCCC(C)(C)O)C)=CC=C1C[C@H](O)CCC1=C JWUBBDSIWDLEOM-NQZHSCJISA-N 0.000 description 4
- 206010002383 Angina Pectoris Diseases 0.000 description 4
- 206010007559 Cardiac failure congestive Diseases 0.000 description 4
- 238000008725 Direct HDL Cholesterol Methods 0.000 description 4
- 102000001554 Hemoglobins Human genes 0.000 description 4
- 108010054147 Hemoglobins Proteins 0.000 description 4
- OVBPIULPVIDEAO-UHFFFAOYSA-N N-Pteroyl-L-glutaminsaeure Natural products C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)NC(CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-UHFFFAOYSA-N 0.000 description 4
- 210000003651 basophil Anatomy 0.000 description 4
- 208000029078 coronary artery disease Diseases 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 229960000304 folic acid Drugs 0.000 description 4
- 210000001616 monocyte Anatomy 0.000 description 4
- KJKIIUAXZGLUND-ICCVIKJNSA-N 25-hydroxyvitamin D2 Chemical compound C1(/[C@@H]2CC[C@@H]([C@]2(CCC1)C)[C@@H](\C=C\[C@H](C)C(C)(C)O)C)=C\C=C1\C[C@@H](O)CCC1=C KJKIIUAXZGLUND-ICCVIKJNSA-N 0.000 description 3
- 208000010412 Glaucoma Diseases 0.000 description 3
- 229930003779 Vitamin B12 Natural products 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- FDJOLVPMNUYSCM-WZHZPDAFSA-L cobalt(3+);[(2r,3s,4r,5s)-5-(5,6-dimethylbenzimidazol-1-yl)-4-hydroxy-2-(hydroxymethyl)oxolan-3-yl] [(2r)-1-[3-[(1r,2r,3r,4z,7s,9z,12s,13s,14z,17s,18s,19r)-2,13,18-tris(2-amino-2-oxoethyl)-7,12,17-tris(3-amino-3-oxopropyl)-3,5,8,8,13,15,18,19-octamethyl-2 Chemical compound [Co+3].N#[C-].N([C@@H]([C@]1(C)[N-]\C([C@H]([C@@]1(CC(N)=O)C)CCC(N)=O)=C(\C)/C1=N/C([C@H]([C@@]1(CC(N)=O)C)CCC(N)=O)=C\C1=N\C([C@H](C1(C)C)CCC(N)=O)=C/1C)[C@@H]2CC(N)=O)=C\1[C@]2(C)CCC(=O)NC[C@@H](C)OP([O-])(=O)O[C@H]1[C@@H](O)[C@@H](N2C3=CC(C)=C(C)C=C3N=C2)O[C@@H]1CO FDJOLVPMNUYSCM-WZHZPDAFSA-L 0.000 description 3
- 230000035487 diastolic blood pressure Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 208000006454 hepatitis Diseases 0.000 description 3
- 231100000283 hepatitis Toxicity 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 239000011715 vitamin B12 Substances 0.000 description 3
- 235000019163 vitamin B12 Nutrition 0.000 description 3
- 108010010234 HDL Lipoproteins Proteins 0.000 description 2
- 208000000913 Kidney Calculi Diseases 0.000 description 2
- 206010029148 Nephrolithiasis Diseases 0.000 description 2
- 208000006673 asthma Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000004617 sleep duration Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010049119 Emotional distress Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 208000022531 anorexia Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 206010061428 decreased appetite Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 229940014144 folate Drugs 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000036449 good health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000024335 physical disease Diseases 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Description
医療費を軽減し、国民が健康で働くことができる、すなわち健康寿命が延伸するためには、疾患が顕在化していない健康段階で、罹患リスクを管理し、発病に近づけないよう、超早期の健康管理の実現が求められている。そのためには、健康段階で、兆候が出る前にどのような病気に罹患するリスクが高いのかを知る必要がある。
人間ドック等の健診や病気の診断に用いられる指標(測定値の基準)は、発症の兆候が現れたことを示すものであり、健康段階でのリスク基準を与えるものではないため、健康段階で有効な新たな指標が求められている。
現在は遺伝子およびその変異がどのような病気に罹患しやすいかの指標となっているが、環境因子によって遺伝子の発現が異なることが知られている。また、多くの場合、特定の病気に関連すると言われる遺伝子変異は一つではなく多数ある。よって、遺伝子情報だけでは今の健康状態からどの病気の罹患リスクが高いのか、また発症段階に近づいているのかを見極めることは難しい。
Big Dataを解析することによって、遺伝子情報を用いずとも、どのような病気に罹患しやすいかを知ることができれば、健康段階でどの病気に罹患するリスクが高いかがわかる。また健康状態によって変化する測定値によって判断されれば、どのような測定値になれば罹患リスクが減るかを分析することができる。遺伝子情報に頼らずに、特定の個人を取り巻く環境や測定値より、健康段階・発症後に関わらず、特定の病気への罹患リスクが高いかどうかを判定する手法が求められている。
疾患が顕在化していない健康段階で、罹患リスクを管理し、発病に近づけないよう、超早期の健康管理を実現するためには、下記の要件がそろっている必要があると考える。
一つは、病気の診断や健康診断等で用いられる健康に関連しうる測定値で、罹患の兆候が表れる前に、特定の病気に罹患するリスクが高いかどうかを判断できることであり、一つは前項の兆候が現れる前から発病に至るまでの程度が知れることである。
経時的な推論を含まない手法では、罹患リスクを管理し、発病に近づけないよう、超早期の健康管理技術を実現させたとは言えない。また、経時的な検証が必要となる。
我々は、健診データを含む様々な環境データから、健康段階の人間に対する、特定の疾患に対する罹患リスクの大小を、遺伝子情報を用いずとも判定する技術を開発する。さらに、健康段階であっても罹患リスクに近づいているかどうかを定量化する。
我々は、前述の2つの要件を達成する方法とそれを用いたシステムを考案した。
(1)病気の診断や健康診断等で用いられる測定値で、発病の兆候が表れる前に、特定の病気に罹患するリスクが高いかどうかを判断できること
いわゆるデータ主導解析でこの機能の実現をすることが考えられ、特許文献1もそのようなアプローチである。健康段階では診断やその兆候を示すバイオマーカーが存在しないため、教師あり学習の手法は使えない。しかしながら、特許文献1で用いられている教師なし学習自己組織化マップであるが、兆候のある無し、つまり、特定の病気のリスクが顕在化しているかどうかでマッピングをしてしまい、兆候が現れる前の特定の疾患の罹患リスクの大小や兆候が現れる前の発病に近づいているかどうかの判定には使えない。
つまり、特許文献1は、すでに世の中で知られている自己組織化マップを用いて、マッピングをしたと言っているだけで、我々の目的を実現する手法としては機能を満たしてない。また、我々の目的を実現するための考案は示されていない。
(2)前項の兆候が現れる前から発病に至るまでの程度が知れること
また、特許文献1に限らず、健康段階から特定の病気に罹患するリスクの程度を健診データから判断する手法は考案されていない。また、遺伝子検査は、後天的な遺伝子発現の変化や環境因子の影響が非常に多いことが昨今のスタディで知られてきており、健診データから罹患リスクの程度を判定することは重要である。
具体的には、病気の進行度によって値が変わるデータ(病気の判定に用いるバイオマーカー)を外して罹患リスクが高いグループと低いグループに分ける教師なし学習Clusteringを行う。病気の進行度によって変わるデータを外すことにより、病気が進んだ人も健康段階にある人も、罹患リスクによって分類することで一つのグループにすることができる。
次に、病気の進行度によって値が変わるデータを戻して、進行度(発病、兆候が現れるリスクの高い低い)を段階分けもしくは定量化を行う。これは、従来のSupervised Learningの技術で実現できる。
従来の進行度判定手法において、既存のバイオマーカーが全ての患者の進行に当てはまることが無かったが、そのリスクが高いGroupに対して既存のバイオマーカーを適用することによって、より精度よく進行状況の把握と管理が可能になる。
データ主導解析によるものなので、個々のデータと結果とのメカニズムの詳細までは示せないが、PublicにAvailableなデータを用いて、我々の方法が有効であることを検証した。この検証をもって、我々の考案が課題を解決する有効な方法であることを示していると言える。
図1は、本実施の形態による評価ステップである。
S1では、健康状態に関連しうるデータを集めデータベースとする。
遺伝子変異解析のように、なるべく多くのデータを集めた方が良いが、例えば糖尿病を対象とする場合には、白血球数、リンパ球パーセント、赤血球数、血小板数、HDLコレステロール、クレアチニン、アルブミン、身長、収縮期血圧、及び既往歴の全てか又は一部のデータを用い、心血管疾患を対象とする場合には、白血球数、リンパ球パーセント、赤血球数、血小板数、HbA1c、クレアチニン、アルブミン、身長、収縮期血圧、及び睡眠時間の全てか又は一部のデータを用い、鬱病を対象とする場合には、白血球数、リンパ球パーセント、HbA1c、総/HDLコレステロール、クレアチニン、アルブミン、身長、収縮期血圧、睡眠時間、及び既往歴の全てか又は一部のデータを用いる。例示するように、それぞれの疾患に対して、少なくとも10つのデータを用いることで好ましい評価を得ることができ、一部のデータ項目が上記で例示した項目と置換されてもよく、例示した項目の一部が存在しない場合には、データとして存在する他の項目を用いることもできる。
発症した事例が含まれるようにクラスタリングすることにより、罹患リスクが高いグループを抽出することができる。
S5では、教師あり学習(Supervised Learning:スーパーバイズドラーニング)が適している。教師あり学習によって、実際にデータが無いところも数値化できる。
特定の疾患に対してS5までの処理を行うと、次の対象疾患に対してS1からS5までの処理を行う。このように、対象とする疾患全てについて罹患リスクが高いか低いかのグループの分類分けと疾病レベルの定量化を行う。
対象とする全ての疾患に対しての処理が終わると、S6では、個別被検者のスコアを作成する。罹患リスクの高いグループに対し、スコアで表示し、罹患リスクが高い疾病を示すて定量化した罹患レベルを表示する。スコアは、例えば0から100までの数値的な表示で行い、スコアを表示するグラフィカルな手法として、バーチャート、又はレーダーチャートを用いることができる。
本評価方法と本評価システムが、健康情報処理装置に実装されたときに出力されるべき表示の例である。前述の超早期の健康管理を実現するための要件である、「罹患するリスクが高いと判断された病気」と「兆候が現れる前から発病に至るまでの程度」が示されている。
図3は検証結果を示し、図3(a)はS3によるグループの分類についての検証結果、図3(b)はリスクが高いと分類されたグループに対する疾患程度を示す検証結果を示す。
公開されているデータ(CDC(Centers for Disease Control and Prevention)NHANES2013-2014)でTrainingさせ、同じく公開されている別のデータ(CDC NHANES2011-2012)でValidateした。このように、検証はトレーニングしたデータと違うデータセットを用意して検証した。図3(a)では、Validationは●ドットで示している。
発症率の高齢から、発症率が低い若年まで、連続して高リスクのグループと低リスクのグループに分かれているのがわかる。これは、まだ健康である若いうちから、高リスク、低リスクのグループに分けられることがわかる。これは、現在の環境値(測定値)から推測して、将来Cardio-Vascularに罹患する可能性が高いことを予測できることを意味する。
実線に重なっており、Trainingした知識は、他のデータでも有効であることを示した。
本実施の形態による疾病リスク評価方法では、血液検査データ、身体測定データ、人口統計データ、問診データ、及び尿検査データの中から少なくとも2つのカテゴリーデータを用いて少なくとも2つのグループにクラスタリングし、いずれのグループに属するか又はいずれのグループに近いかを判定することで、健康段階にある推定対象者について疾病リスクを推定するものであり、対象疾病の診断に用いられるか対象疾病の進行の判断に用いられる疾患パラメータを除外したデータを用いる。
第1フィルター処理ステップS21では、あらかじめ設定した対象疾病に対して、データの中から、対象疾病の診断に用いられるか対象疾病の進行の判断に用いられる疾患パラメータを除外する。
第2フィルター処理ステップS22では、クラスタリングの結果表示に用いる表示パラメータ、互いに強い相関を持つパラメータの一方のパラメータ、及びクラスタリングのパフォーマンスを低下させるパラメータを除外する。
学習ステップS30では、疾病リスクによるクラスタリングが、例えば、低リスクのグループと、高リスクのグループに分離されるようなパラメータを発見的に学習する。
マッピング処理ステップS40では、例えば疾病リスク率と年齢分布との2軸におけるマッピングで行われる。
表示ステップS50では、例えばX軸を年齢分布、Y軸を疾病リスクとして、低リスクのグループと高リスクのグループとを折れ線グラフで二次元的に表示する。
学習ステップS30では、過去の第1所定期間におけるデータを学習データとして用い、検証ステップS60では、第1所定期間より以前の第2所定期間におけるデータを検証データとして用いる。例えば、学習データとして、CDC(Centers for Disease Control and Prevention)2013-2014データを用い、検証データとしてCDC2011-2012データを用いる。
検証ステップS60で用いる検証データは、第1フィルター処理ステップS21によって疾患パラメータを除外し、第2フィルター処理ステップS22によってクラスタリングの結果表示に用いる表示パラメータ、又は互いに強い相関を持つパラメータの一方のパラメータ、及びクラスタリングのパフォーマンスを低下させるパラメータを除外する。
表示ステップS50では、低リスクのグループと高リスクのグループとをプロットで表示することで、折れ線グラフとの一致性を表示する。
判定ステップS70で用いる推定対象者の対象者データは、第1フィルター処理ステップS21によって疾患パラメータを除外し、第2フィルター処理ステップS22によってクラスタリングの結果表示に用いる表示パラメータ、互いに強い相関を持つパラメータの一方のパラメータ、及びクラスタリングのパフォーマンスを低下させるパラメータを除外する。
表示ステップS50では、推定対象者の判定結果をプロットで表示することで、低リスクのグループと高リスクのグループとの折れ線グラフと比較でき、いずれのグループに近いか、リスクポジションを判断できる。また、年齢層毎の分布から、経年後のリスク評価を行うことができる。
疾病リスクのクラスタリングでは、対象疾病について高リスクにあるグループを、健康段階から発病、進行段階までを一つのグループとして抽出し、抽出したグループを進行度合いに応じてグレーディングすることが好ましい。
また、疾病リスクのクラスタリングでは、Kernel k-means法や独自のカーネル関数を使用することができる。例えば、初期化(中心点設定)は、疾病ラベルの付いた学習データの40%に対して行い、中心点(各未病範疇)における、年齢層毎の 高リスク、低リスクのクラスタリングを行う。
そして、疾病リスクの高いグループと、疾病リスクの低いグループの生活習慣を分析することにより、健康増進マネージメントを可能とするアプリケーションを実現でき、疾病リスクを低減するための介入指針を示すことができる。
図5に示すように、対象疾病を心血管疾患とした場合には、第1フィルター処理ステップS21で6個のパラメータを除去し、第2フィルター処理ステップS22で更に6個のパラメータを除去する。
また、第2フィルター処理ステップS22では、図6に示すパラメータの中で、人口統計データである、年齢及び性別のパラメータを除外し、問診データである「食事はしなかったか?」との問診パラメータを除外する。
性別は、クラスタリングのパフォーマンスを向上させるためであり、「食事はしなかったか?」との問診パラメータは、「バランスのよい食事を取る余裕はなかった」との問診パラメータと互いに相関性が強いためである。
図7に示すように、対象疾病を糖尿病とした場合には、第1フィルター処理ステップS21で2個のパラメータを除去し、第2フィルター処理ステップS22で更に7個のパラメータを除去する。
また、第2フィルター処理ステップS22では、図8に示すパラメータの中で、人口統計データである、年齢及び性別のパラメータを除外し、問診データである「バランスのよい食事を取る余裕はなかった」、「食事はしなかったか?」、及び「食料不足が心配」との問診パラメータを除外する。
性別及びこれらの問診パラメータは、クラスタリングのパフォーマンスを向上させるためである。
図9に示すように、対象疾病を鬱病とした場合には、第1フィルター処理ステップS21では除外するパラメータは無く、第2フィルター処理ステップS22で13個のパラメータを除去する。
また、第2フィルター処理ステップS22では、図10に示すパラメータの中で、人口統計データである、年齢及び性別のパラメータを除外し、問診データである「医者に糖尿病だと言われた?」との問診パラメータを除外する。
性別及びこの問診パラメータは、クラスタリングのパフォーマンスを向上させるためである。
例えば、対象疾病が心血管疾患であれば、血液検査データとして、総コレステロール及び直接HDL-コレステロールを有していれば、疾患パラメータとして判定データから除外するが、血液検査データとして、25-ヒドロキシビタミンD2、白血球数、ビタミンB12、分葉核好中球パーセント、赤血球分布幅、赤血球葉酸、赤血球数、血小板数、単球パーセント、平均血小板容積、平均赤血球容積、リンパ球パーセント、ヘモグロビン、HbA1c、エピ-25-ヒドロキシビタミンD3、25-ヒドロキシビタミンD3、好塩基球パーセント、又は好酸球パーセントを血液検査パラメータとして有していれば、少なくとも1つの血液検査パラメータを判定データとして用いることができる。
また、対象疾病が心血管疾患であれば、身体測定データとして、収縮期血圧、拡張期血圧、腕囲、平均腹部矢状径、BMI、又は身長を身体測定パラメータとして有していれば、少なくとも1つの身体測定パラメータを判定データとして用いることができる。
また、対象疾病が心血管疾患であれば、問診データとして、推定対象者が現在又は過去において、心臓発作、冠状動脈性心臓病、狭心症、又はうっ血性心不全であるとの問診を、問診パラメータとして有していれば、疾患パラメータとして判定データから除外するが、問診データとして、腎臓結石、糖尿病、喘息、腎臓、肝炎、又は睡眠に関する問診を、問診パラメータとして有していれば、少なくとも1つの問診パラメータを判定データとして用いることができる。
また、対象疾病が心血管疾患であれば、尿検査データとして、クレアチニン又はアルブミンを尿検査パラメータとして有していれば、少なくとも1つの尿検査パラメータを判定データとして用いることができる。
また、対象疾病が糖尿病であれば、身体測定データとして、収縮期血圧、拡張期血圧、腕囲、平均腹部矢状径、BMI、又は身長を身体測定パラメータとして有していれば、少なくとも1つの身体測定パラメータを判定データとして用いることができる。
また、対象疾病が糖尿病であれば、問診データとして、推定対象者が現在又は過去において糖尿病であるとの問診は、疾患パラメータとして判定データから除外するが、問診データとして、腎臓結石、喘息、腎臓、肝炎、心臓発作、冠状動脈性心臓病、狭心症、うっ血性心不全、又は睡眠に関する問診を、問診パラメータとして有していれば、少なくとも1つの問診パラメータを判定データとして用いることができる。
また、対象疾病が糖尿病であれば、尿検査データとして、クレアチニン又はアルブミンを尿検査パラメータとして有していれば、少なくとも1つの尿検査パラメータを判定データとして用いることができる。
このように、少なくとも1つのカテゴリーデータを用い、任意の個数のパラメータによる判定データを用いて、推定対象者について、いずれのグループに属するか又はいずれのグループに近いかを判定し、少なくともリスク率と年齢との2軸によってグループと判定結果とをマッピング表示することができる。
また、対象疾病が鬱病であれば、身体測定データとして、収縮期血圧、拡張期血圧、腕囲、平均腹部矢状径、BMI、又は身長を身体測定パラメータとして有していれば、少なくとも1つの身体測定パラメータを判定データとして用いることができる。
また、対象疾病が鬱病であれば、問診データとして、糖尿病、腎臓結石、喘息、腎臓、肝炎、心臓発作、冠状動脈性心臓病、狭心症、うっ血性心不全、又は睡眠に関する問診を、問診パラメータとして有していれば、少なくとも1つの問診パラメータを判定データとして用いることができる。
また、対象疾病が糖尿病であれば、尿検査データとして、クレアチニン又はアルブミンを尿検査パラメータとして有していれば、少なくとも1つの尿検査パラメータを判定データとして用いることができる。
このように、少なくとも1つのカテゴリーデータを用い、任意の個数のパラメータによる判定データを用いて、推定対象者について、いずれのグループに属するか又はいずれのグループに近いかを判定し、少なくともリスク率と年齢との2軸によってグループと判定結果とをマッピング表示することができる。
パラメータXについての相対的重要度(X)は、以下の式による。
相対的重要度(X)=(重要度X-全パラメータの最小重要度)/(全パラメータの最大重要度-全パラメータの最小重要度)
ここで、重要度X=全てのパラメータの分離力-Xを除く分離力
パラメータの重要度は、1個のパラメータを削除することで、この削除によって分離力にどの程度影響するかを測定することによって計算される。
図11は、対象疾病を心血管疾患とした場合に用いるデータのフィルター処理流れを示し、図12は、図11の心血管疾患サブタイプ生成のプロセスに用いるパラメータ一覧である。
図11に示すように、対象疾病を心血管疾患とした場合には、第1フィルター処理ステップS21で4個のパラメータを除去し、第2フィルター処理ステップS22で6個のパラメータを除去する。
図13の混同行列は、さまざまな心血管疾患のサブタイプの分離を示している。例えば、図13の例において、人が以前に心臓発作を起こしたことがある場合、アルゴリズムがその人を心臓発作のサブタイプとして識別する可能性は60%、心不全のサブタイプとして26%の可能性、脳卒中のサブタイプとして14%の可能性がある。
サブカテゴリ分析では、入力として、バイオマーカーを示す疾患を除く測定値が入力され、出力として、患者がどの疾患サブタイプを持っているかを出力又は表示する。健康段階から、発病後まで疾病の進行度に応じて、特定の疾病についてさらにサブ分類を行い、各サブ分類における罹患の程度を表示する。
図14は、本発明による緑内障サブカテゴリ分類の手法と、従来の教師無しクラスタリングを用いた手法との違いを示している。まず、クラスタリングの手法として、従来の手法においては、教師なしクラスタリングを行うのに対し、本発明の手法では、半教師ありクラスタリングを行う。半教師ありクラスタリングは、好ましくは多段階半教師ありクラスタリングであってもよい。従来の教師なしクラスタリングのデメリットは、クラスタリングの結果が予測できない点と、結果のクラスタがターゲットのサブタイプに対応するという保証がない点であって。これに対し、本発明の手法において半教師ありクラスタリングを用いるメリットは、事前に決定されたクラスタ群のクラスタタイプが、少量のラベル付きデータによって事前に決定されている点である。
本発明の他の態様においては、健康段階から、発病までの疾病の進行度に応じて、特定の疾病の罹患において、リスクの程度に応じて、予測される進行スピードを予測するステップ又は表示するステップをさらに含むようにしてもよい。
糖尿病進行速度分析における入力及び出力はいずれもリスク分析の入力及び出力と同一であるが、結果の視覚化方法がリスク分析と異なる。加齢に伴うリスク分析では、x軸は年齢、y軸は有病率である。この種のグラフは、さまざまな年齢のさまざまなリスクグループにおける病気またはリスクのある人々の割合を示している。進行速度分析では、x軸は年齢であり、y軸は疾患を示すバイオマーカーの平均値である。例えば、糖尿病の場合、y軸は同じ年齢とリスクグループの被験者のHbA1cの平均値である。 HbA1cは糖尿病の進行に比例するため、HbA1cの変化が速いほど、糖尿病の進行が速いことを示している。したがって、進行速度分析の傾きは、さまざまな年齢のさまざまなリスクグループの被験者の糖尿病の進行率を示している。
疾病リスク評価システム1は、クラウドAIプラットフォームの一部として実装することが可能である。クラウドAIプラットフォームは、医療機関等の顧客データを管理する顧客データ管理センターやユーザ端末50から入力されたデータに基づいて、ユーザ端末50に健康マップを提供する健康マップAPIを有し、本発明の疾病リスク評価システム1は、健康マップAPIを実現するためのシステムであり、健康マップを生成するための具体的な処理を行うシステムである。顧客データ管理センター、ユーザ端末、及び疾病リスク評価システム1を含む健康マップAPIは、ネットワークを介して接続され、データのやり取りを行う。
本実施の形態による、特定の疾病に対する罹患リスクを評価する疾病評価システム1は、健康に関連する診断データを格納する診断データデータベース21と、診断データベース21から診断データを読み出し、疾病のレベルによって変化する診断データを除外する第1フィルタリング部11と、第1フィルタリング部11で除外されなかった診断データに対してクラスタリングを行い、罹患リスクの高いグループと罹患リスクの低いグループとに分ける第1クラスタリング部12と、第1クラスタリング部12で罹患リスクの高いグループにクラスタリングされた診断データのみを診断データデータベースから抽出する第2フィルタリング部13と、第2フィルタリング部13で抽出した診断データに対してクラスタリングを行い、複数の疾病レベルに分ける第2クラスタリング部14と、
前記第1クラスタリング部12及び前記第2クラスタリング部14におけるクラスタリングの結果を格納するクラスタリング結果記憶部15とを備える。
図18に示すように、本実施の形態による、特定の疾病に対する罹患リスクを評価する疾病評価システム1は、クラスタリング結果記憶部15に格納されたクラスタリングの結果をグラフに表示するためのマッピング処理を行うマッピング処理部16をさらに備えるようにしてもよい。
本実施の形態による、特定の疾病に対する罹患リスクを評価する疾病評価システム1は、検証用データベース24に格納された検証用データと、データ処理部10におけるクラスタリングの結果であるAI予測データとを比較する検証部17をさらに備えるようにしてもよい。
以上で説明した構成により、本発明においては、罹患リスクが顕在化していない健康な人(健康段階)から既に発病した人までを含めて、罹患リスクが高いグループと低いグループに分ける第1の段階と、罹患リスクが高いと判断されたグループの中で罹患の程度をさらに分ける第2の段階の2段階を経る手法により、健康段階から特定の病気に罹患するリスクの程度を健診データから判断することを可能にした。罹患リスクが高いグループと低いグループに分ける第1の段階においては、例えば糖尿病におけるHbA1cのように、疾患のレベルに相関するデータ(特徴量)を除外することにより、疾患のレベルに相関するデータ(特徴量)がクラスタリングに与える影響を避け、疾患の進行度に関わらず、また発症前から、特定の疾病に対する罹患リスクが高いグループと低いグループに分けることを可能にした。これにより、特定の疾病について、その進行状態に関わらず、発病前の健康である状態から、その疾病に対する罹患リスクを推定することができ、健康段階からその特定の疾病についての予防となる健康管理を行うことが可能となる。
例えば、糖尿病の罹患リスクを健康段階から判断できるようになるためには、HbA1cのような病気の進行度に比例して変化するデータは除いて、太っている(肥満)と言った疾病の進行によって変化しないしかしながらダメージとしては蓄積されて将来罹患するリスクを高める原因となりうるパラメータのデータは残して、クラスタリングをすることで実現できる。
上記記載は実施例についてなされたが、本発明はそれに限らず、本発明の原理と添付の請求の範囲の範囲内で種々の変更および修正をすることができることは当業者に明らかである。
S20 フィルター処理ステップ
S21 第1フィルター処理ステップ
S22 第2フィルター処理ステップ
S30 学習ステップ
S40 マッピング処理ステップ
S50 表示ステップ
S60 検証ステップ
S70 判定ステップ
1 疾病リスク評価システム
10 データ処理部
11 第1フィルタリング部
12 第1クラスタリング部
13 第2フィルタリング部
14 第2クラスタリング部
15 マッピング部
16 比較部
20 データベース
21 学習データデータベース
22 AIパラメータデータベース
24 検証用データデータベース
30 データ入力端末
40 クラスタリングモデル記憶部
50 ユーザ端末
Claims (4)
- 特定の疾病に対する罹患リスクを評価する疾病評価システム(1)であって、
健康に関連する診断データを格納する診断データデータベース(21)と、
前記診断データデータベース(21)から前記診断データを読み出し、前記疾病の進行のレベルによって変化する診断データとして予め定められた診断データをフィルタリングによって前記診断データから除外する第1フィルタリング部(11)と、
前記第1フィルタリング部(11)で除外されなかった診断データに対して予め機械学習済の第1のモデルを用いたクラスタリングを行い、罹患リスクの高いグループと罹患リスクの低いグループとに分ける第1クラスタリング部(12)と、
前記第1クラスタリング部(12)で罹患リスクの高いグループにクラスタリングされた前記診断データのみを前記診断データデータベースから抽出する第2フィルタリング部(13)と、
前記第2フィルタリング部(13)で抽出した前記診断データに対して予め機械学習済の第2のモデルを用いたクラスタリングを行い、複数の疾病の進行のレベルに分ける第2クラスタリング部(14)と、
前記第1クラスタリング部(12)及び前記第2クラスタリング部(14)におけるクラスタリングの結果を格納するクラスタリング結果記憶部(15)と
を備えることを特徴とする、疾病評価システム。 - 前記クラスタリング結果記憶部(15)に格納されたクラスタリングの結果をグラフに表示するためのマッピング処理を行うマッピング処理部をさらに備えることを特徴とする、請求項1に記載の疾病評価システム。
- 検証用データベース(24)に格納された検証用データと、前記機械学習のモデルを用いたクラスタリングの結果であるAI予測データとを比較する検証部(17)をさらに備えることを特徴とする、請求項1又は2に記載の疾病評価システム。
- 前記予め機械学習済の第1のモデルを用いたクラスタリング及び前記予め機械学習済の第2のモデルを用いたクラスタリングは、半教師ありクラスタリングであることを特徴とする、請求項1~3のいずれか1項に記載の疾病評価システム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2022/021744 WO2022250143A1 (ja) | 2021-05-28 | 2022-05-27 | 疾病リスク評価方法、疾病リスク評価システム、及び健康情報処理装置 |
JP2023098754A JP2023113955A (ja) | 2021-05-28 | 2023-06-15 | 疾病リスク評価方法、疾病リスク評価システム、及び健康情報処理装置 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021090157 | 2021-05-28 | ||
JP2021090157 | 2021-05-28 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023098754A Division JP2023113955A (ja) | 2021-05-28 | 2023-06-15 | 疾病リスク評価方法、疾病リスク評価システム、及び健康情報処理装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022182943A JP2022182943A (ja) | 2022-12-08 |
JP7333549B2 true JP7333549B2 (ja) | 2023-08-25 |
Family
ID=84328744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021152523A Active JP7333549B2 (ja) | 2021-05-28 | 2021-09-17 | 疾病リスク評価方法、疾病リスク評価システム、及び健康情報処理装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7333549B2 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004310209A (ja) | 2003-04-02 | 2004-11-04 | Matsushita Electric Ind Co Ltd | 健康管理支援システムおよび健康管理支援プログラム |
JP2013536971A (ja) | 2010-09-07 | 2013-09-26 | ザ ボード オブ トラスティーズ オブ ザ レランド スタンフォード ジュニア ユニバーシティー | 医学的スコアリングシステムおよび方法 |
JP2020173525A (ja) | 2019-04-09 | 2020-10-22 | 株式会社Fronteo | リスク対策解析システム、リスク対策解析方法およびリスク対策解析用プログラム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020102037A (ja) * | 2018-12-21 | 2020-07-02 | キヤノン株式会社 | 情報処理装置、放射線撮影システムおよび支援方法 |
-
2021
- 2021-09-17 JP JP2021152523A patent/JP7333549B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004310209A (ja) | 2003-04-02 | 2004-11-04 | Matsushita Electric Ind Co Ltd | 健康管理支援システムおよび健康管理支援プログラム |
JP2013536971A (ja) | 2010-09-07 | 2013-09-26 | ザ ボード オブ トラスティーズ オブ ザ レランド スタンフォード ジュニア ユニバーシティー | 医学的スコアリングシステムおよび方法 |
JP2020173525A (ja) | 2019-04-09 | 2020-10-22 | 株式会社Fronteo | リスク対策解析システム、リスク対策解析方法およびリスク対策解析用プログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2022182943A (ja) | 2022-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107785057B (zh) | 医疗数据处理方法、装置、存储介质和计算机设备 | |
Singh et al. | Breast Cancer Screening Using Machine Learning Models | |
Khan et al. | A Comparative Study of Machine Learning classifiers to analyze the Precision of Myocardial Infarction prediction | |
CN112786203A (zh) | 一种机器学习糖尿病视网膜病变发病风险预测方法及应用 | |
Shamsollahi et al. | Using combined descriptive and predictive methods of data mining for coronary artery disease prediction: a case study approach | |
CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及*** | |
US20090222248A1 (en) | Method and system for determining a combined risk | |
Keshavarz et al. | Obstructive sleep apnea: a prediction model using supervised machine learning method | |
CN107506606A (zh) | 常见疾病风险预测方法及*** | |
TWI688371B (zh) | 心房顫動信號型態擷取及輔助診斷智能裝置 | |
Eigner et al. | Predicting high-cost patients by machine learning: A case study in an Australian private hospital group | |
Sa-ngasoongsong et al. | An analysis of diabetes risk factors using data mining approach | |
Hussain et al. | Performance Analysis of Machine Learning Algorithms for Early Prognosis of Cardiac Vascular Disease | |
Mandava | MDensNet201-IDRSRNet: Efficient cardiovascular disease prediction system using hybrid deep learning | |
CN112562857A (zh) | 基于k均值聚类实现高危手术预测的方法、装置、处理器及其存储介质 | |
Patnaik | Intelligent decision support system in healthcare using machine learning models | |
JP7333549B2 (ja) | 疾病リスク評価方法、疾病リスク評価システム、及び健康情報処理装置 | |
CN117116475A (zh) | 缺血性脑卒中的风险预测方法、***、终端及存储介质 | |
WO2022250143A1 (ja) | 疾病リスク評価方法、疾病リスク評価システム、及び健康情報処理装置 | |
Gupta et al. | X-ECGNet: An interpretable DL model for stress detection using ECG in COVID-19 healthcare workers | |
Akbilgic et al. | Categorizing atrial fibrillation via symbolic pattern recognition | |
Meng et al. | Prediction of coronary heart disease using routine blood tests | |
WO2023106960A1 (ru) | Способ прогнозирования наступления медицинского события в здоровье человека | |
Rajmohan et al. | G-Sep: A deep learning algorithm for detection of long-term sepsis using bidirectional gated recurrent unit | |
Al-Jamimi | Intelligent Methods for Early Prediction of Heart Disease |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
AA64 | Notification of invalidation of claim of internal priority (with term) |
Free format text: JAPANESE INTERMEDIATE CODE: A241764 Effective date: 20211028 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211209 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220713 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220907 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221206 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230203 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230427 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230615 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20230621 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230725 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230803 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7333549 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313118 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |