WO2022153469A1

WO2022153469A1 - 未病診断装置、未病診断方法及び学習モデル生成装置

Info

Publication number: WO2022153469A1
Application number: PCT/JP2021/001142
Authority: WO
Inventors: 勉松原; 正人平井; 仁志吉澤
Original assignee: 三菱電機株式会社
Priority date: 2021-01-15
Filing date: 2021-01-15
Publication date: 2022-07-21
Also published as: JPWO2022153469A1; CN116670704A; US20230335240A1; JP6949277B1; DE112021005880T5

Abstract

未病の診断対象者における身体の変化を示すログを取得するログ取得部（１１）と、診断対象者に対する介護内容を示す介護データを取得する介護データ取得部（１２）と、ログ取得部（１１）により取得されたログと、介護データ取得部（１２）により取得された介護データとを学習モデル（４３）に与えて、学習モデル（４３）から、診断対象者に生じている可能性の有る未病を示す診断データを取得する未病診断部（１３）とを備えるように、未病診断装置（１）を構成した。

Description

未病診断装置、未病診断方法及び学習モデル生成装置

　本開示は、未病診断装置、未病診断方法及び学習モデル生成装置に関するものである。

　医師は、一般的に、診断対象者の血液検査結果、又は、診断対象者の画像検査結果等に異常の所見が認められれば、診断対象者に病気が発症しているという診断を行う。血液検査結果等の検査結果に明らかな異常の所見が認められなくても、検査結果に異常の兆しがあれば、診断対象者が、病気の前段状態である未病を生じている可能性があるため、医師が、診断対象者における検査結果の変化を経過観察することがある。

　ところで、対象者に将来的に起こり得る特定事象の発生を予測する技術として、特許文献１には、対象者の身体の加速度を示す体動データの変化を観察し、体動データの変化に基づいて、特定事象の発生を予測する事象予測システムが開示されている。対象者は、介護施設の入居者、又は、病院に入院している患者である。特定事象は、対象者が歩行時に転倒する事象である。対象者が歩行時に転倒する事象は、対象者の運動機能の低下が原因で生じる可能性がある。

特開２０１９－１５５０７１号公報

　医師が、診断対象者における検査結果の変化を経過観察することで、診断対象者に生じている未病を発見できることがある。未病の状態は、診断対象者に自覚症状がなくても、検査結果に異常の所見が認められる状態（以下「異常所見有状態」という）のほかに、診断対象者に自覚症状があるが、検査結果に異常の所見が認められない状態（以下「異常所見無状態」という）も含まれる。
　医師が検査結果の変化を経過観察することで発見できる未病は、異常所見有状態の未病であり、医師は、検査結果の変化を経過観察しても、異常所見無状態の未病を発見できないことがあるという課題があった。　
　特許文献１に開示されている事象予測システムが、特定事象の発生の予測結果を医師に通知することが可能であるとしても、当該予測結果は、特定事象が発生するか否かの予測結果であって、運動機能の低下を示す検査結果ではない。このため、医師は、当該予測結果を参照しても、未病の診断を行うことができない。

　本開示は、上記のような課題を解決するためになされたもので、異常所見無状態の未病を診断することができる未病診断装置及び未病診断方法を得ることを目的とする。

　本開示に係る未病診断装置は、未病の診断対象者における身体の変化を示すログを取得するログ取得部と、診断対象者に対する介護内容を示す介護データを取得する介護データ取得部と、ログ取得部により取得されたログと、介護データ取得部により取得された介護データとを学習モデルに与えて、学習モデルから、診断対象者に生じている可能性の有る未病を示す診断データを取得する未病診断部とを備えるものである。

　本開示によれば、異常所見無状態の未病を診断することができる。

実施の形態１に係る未病診断装置１を示す構成図である。実施の形態１に係る未病診断装置１のハードウェアを示すハードウェア構成図である。未病診断装置１が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。実施の形態１に係る学習モデル生成装置３を示す構成図である。実施の形態１に係る学習モデル生成装置３のハードウェアを示すハードウェア構成図である。学習モデル生成装置３が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。図１に示す未病診断装置１の処理手順である未病診断方法を示すフローチャートである。図４に示す学習モデル生成装置３の処理手順である学習モデル生成方法を示すフローチャートである。診断対象者に対する未病の診断結果を示す説明図である。診断対象者に生じている可能性の有る未病の情報を示す説明図である。実施の形態２に係る未病診断装置１を示す構成図である。実施の形態２に係る未病診断装置１のハードウェアを示すハードウェア構成図である。実施の形態２に係る学習モデル生成装置３を示す構成図である。実施の形態２に係る学習モデル生成装置３のハードウェアを示すハードウェア構成図である。診断対象者に生じている可能性の有る未病の情報を示す説明図である。実施の形態３に係る未病診断装置１を示す構成図である。実施の形態３に係る未病診断装置１のハードウェアを示すハードウェア構成図である。施設内において、異常を生じている箇所の一例を示す説明図である。バイタルが異常である診断対象者の一覧を示す説明図である。実施の形態４に係る未病診断装置１を示す構成図である。実施の形態４に係る未病診断装置１のハードウェアを示すハードウェア構成図である。センサ１５ａ－ｎが設置されている位置と、センサ１５ａ－ｎから出力される環境データとの表示例を示す説明図である。実施の形態５に係る未病診断装置１を示す構成図である。実施の形態５に係る未病診断装置１のハードウェアを示すハードウェア構成図である。診断対象者の骨格の動きを示す説明図である。実施の形態６に係る未病診断装置１を示す構成図である。実施の形態６に係る未病診断装置１のハードウェアを示すハードウェア構成図である。睡眠の状態変化とエアコンの運転状況とを示す説明図である。

　以下、本開示をより詳細に説明するために、本開示を実施するための形態について、添付の図面に従って説明する。

実施の形態１．
　図１は、実施の形態１に係る未病診断装置１を示す構成図である。
　図２は、実施の形態１に係る未病診断装置１のハードウェアを示すハードウェア構成図である。
　図１に示す未病診断装置１は、ログ取得部１１、介護データ取得部１２、未病診断部１３及び表示処理部１４を備えている。

　ログ取得部１１は、例えば、図２に示すログ取得回路２１によって実現される。
　ログ取得部１１は、未病の診断対象者における身体の変化を示すログを取得する。
　ここでは、ログ取得部１１が、身体の変化を示すログを取得している。しかし、これは一例に過ぎず、ログ取得部１１が、身体の変化を示すログの代わりに、診断対象者による機器の操作履歴を示すログを取得するようにしてもよい。
　また、ログ取得部１１は、身体の変化を示すログと、診断対象者による機器の操作履歴を示すログとの双方を取得するようにしてもよい。
　ログ取得部１１は、ログを未病診断部１３に出力する。

　介護データ取得部１２は、例えば、図２に示す介護データ取得回路２２によって実現される。
　介護データ取得部１２は、診断対象者に対する介護内容を示す介護データを取得する。
　介護データ取得部１２は、介護データを未病診断部１３に出力する。

　未病診断部１３は、例えば、図２に示す未病診断回路２３によって実現される。
　未病診断部１３は、図４に示す学習モデル生成装置３により生成された学習モデル４３を備えている。
　未病診断部１３は、ログ取得部１１により取得されたログと、介護データ取得部１２により取得された介護データとを学習モデル４３に与えて、学習モデル４３から、診断対象者に生じている可能性の有る未病を示す診断データを取得する。
　未病診断部１３は、診断データを表示処理部１４に出力する。
　未病診断部１３から表示処理部１４に出力される診断データは、診断対象者に生じている可能性の有る未病のうち、異常所見無状態の未病を示すデータを含んでいる。当該診断データが、異常所見有状態の未病を示すデータを含んでいてもよい。

　表示処理部１４は、例えば、図２に示す表示処理回路２４によって実現される。
　表示処理部１４は、未病診断部１３から出力された診断データに従って、診断対象者に生じている可能性の有る未病の情報を画面に表示するための表示データを生成する。
　表示処理部１４は、表示データを表示装置２に出力する。

　表示装置２は、例えば、液晶ディスプレイによって実現される。
　表示装置２は、表示処理部１４から出力された表示データに従って、診断対象者に生じている可能性の有る未病の情報を画面に表示する。

　図１では、未病診断装置１の構成要素であるログ取得部１１、介護データ取得部１２、未病診断部１３及び表示処理部１４のそれぞれが、図２に示すような専用のハードウェアによって実現されるものを想定している。即ち、未病診断装置１が、ログ取得回路２１、介護データ取得回路２２、未病診断回路２３及び表示処理回路２４によって実現されるものを想定している。
　ログ取得回路２１、介護データ取得回路２２、未病診断回路２３及び表示処理回路２４のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）、又は、これらを組み合わせたものが該当する。

　未病診断装置１の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、未病診断装置１が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
　ソフトウェア又はファームウェアは、プログラムとして、コンピュータのメモリに格納される。コンピュータは、プログラムを実行するハードウェアを意味し、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、あるいは、ＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）が該当する。

　図３は、未病診断装置１が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。
　未病診断装置１が、ソフトウェア又はファームウェア等によって実現される場合、ログ取得部１１、介護データ取得部１２、未病診断部１３及び表示処理部１４におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムがメモリ３１に格納される。そして、コンピュータのプロセッサ３２がメモリ３１に格納されているプログラムを実行する。

　また、図２では、未病診断装置１の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図３では、未病診断装置１がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、未病診断装置１における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。

　図４は、実施の形態１に係る学習モデル生成装置３を示す構成図である。
　図５は、実施の形態１に係る学習モデル生成装置３のハードウェアを示すハードウェア構成図である。
　図４に示す学習モデル生成装置３は、データ取得部４１及び学習モデル生成部４２を備えている。

　データ取得部４１は、例えば、図５に示すデータ取得回路５１によって実現される。
　データ取得部４１は、未病の診断対象者における身体の変化を示すログを取得する。
　ここでは、データ取得部４１が、身体の変化を示すログを取得している。しかし、これは一例に過ぎず、データ取得部４１が、身体の変化を示すログの代わりに、未病の診断対象者による機器の操作履歴を示すログを取得するようにしてもよい。
　また、データ取得部４１は、身体の変化を示すログと、診断対象者による機器の操作履歴を示すログとの双方を取得するようにしてもよい。
　また、データ取得部４１は、診断対象者に対する介護内容を示す介護データを取得する。
　さらに、データ取得部４１は、診断対象者に生じる可能性の有る未病を示す教師データ、又は、未病ではないことを示す教師データを取得する。教師データは、医師等によって生成されることが想定される。
　データ取得部４１は、ログ、介護データ及び教師データのそれぞれを学習モデル生成部４２に出力する。

　学習モデル生成部４２は、例えば、図５に示す学習モデル生成回路５２によって実現される。
　学習モデル生成部４２は、データ取得部４１から、ログ、介護データ及び教師データのそれぞれを取得する。
　学習モデル生成部４２は、ログ、介護データ及び教師データのそれぞれを用いて、診断対象者に生じる可能性の有る未病を学習し、未病の診断対象者における身体の変化を示すログと、未病の診断対象者に対する介護内容を示す介護データとが与えられると、診断対象者に生じている可能性の有る未病を示す診断データを出力する学習モデル４３を生成する。
　学習モデル生成部４２は、生成した学習済みの学習モデル４３を図１に示す未病診断装置１の未病診断部１３に与える。
　学習済みの学習モデル４３は、ログ、介護データ及び教師データのそれぞれを用いて、診断対象者に生じる可能性の有る未病を学習したものであり、例えば、ニューラルネットワークによって実現される。

　図４では、学習モデル生成装置３の構成要素であるデータ取得部４１及び学習モデル生成部４２のそれぞれが、図５に示すような専用のハードウェアによって実現されるものを想定している。即ち、学習モデル生成装置３が、データ取得回路５１及び学習モデル生成回路５２によって実現されるものを想定している。
　データ取得回路５１及び学習モデル生成回路５２のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又は、これらを組み合わせたものが該当する。

　学習モデル生成装置３の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、学習モデル生成装置３が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
　図６は、学習モデル生成装置３が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。
　学習モデル生成装置３が、ソフトウェア又はファームウェア等によって実現される場合、データ取得部４１及び学習モデル生成部４２におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムがメモリ６１に格納される。そして、コンピュータのプロセッサ６２がメモリ６１に格納されているプログラムを実行する。

　また、図５では、学習モデル生成装置３の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図６では、学習モデル生成装置３がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、学習モデル生成装置３における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。

　次に、図１に示す未病診断装置１の動作について説明する。
　図７は、図１に示す未病診断装置１の処理手順である未病診断方法を示すフローチャートである。
　ログ取得部１１は、未病の診断対象者における身体の変化を示すログを取得する（図７のステップＳＴ１）。
　また、ログ取得部１１は、未病の診断対象者による機器の操作履歴を示すログを取得する。
　ログ取得部１１は、取得したログを未病診断部１３に出力する。

　診断対象者における身体の変化を示すログが、例えば、診断対象者における睡眠の状態変化を示す睡眠ログであれば、ログ取得部１１は、診断対象者の脳波を解析している脳波解析装置、あるいは、診断対象者に取り付けられている脳波センサ等から、ログを取得することができる。脳波解析装置自体は、公知の装置であるため、詳細な説明を省略する。
　診断対象者における身体の変化を示すログが、例えば、診断対象者における食事中の状態変化を示す画像データであれば、ログ取得部１１は、診断対象者を撮影しているビデオカメラ等から、ログを取得することができる。
　診断対象者における身体の変化を示すログが、例えば、診断対象者における歩行の状態変化を示す歩行ログであれば、ログ取得部１１は、診断対象者の歩行を解析している歩行解析装置等から、ログを取得することができる。歩行解析装置自体は、公知の装置であるため、詳細な説明を省略する。
　ログ取得部１１により取得されるログが、例えば、診断対象者による機器の操作履歴を示す操作ログであれば、ログ取得部１１は、診断対象者が操作している機器から、ログを取得することができる。診断対象者が操作している機器は、エアコン、又は、テレビ等のＩｏＴ（Ｉｎｔｅｒｎｅｔ　ｏｆ　Ｔｈｉｎｇｓ）機器である。

　介護データ取得部１２は、例えば、診断対象者に対する介護内容を示す介護データを記録している介護記録装置（図示せず）等から、介護データを取得する（図７のステップＳＴ２）。
　介護データ取得部１２は、介護データを未病診断部１３に出力する。

　未病診断部１３は、ログ取得部１１により取得されたログと、介護データ取得部１２により取得された介護データとを学習モデル４３に与えて、学習モデル４３から、診断対象者に生じている可能性の有る未病を示す診断データを取得する（図７のステップＳＴ３）。
　未病診断部１３は、診断データを表示処理部１４に出力する。

　ログが示す身体の変化、又は、ログが示す機器の操作履歴と、介護データが示す診断対象者に対する介護内容と、診断データが示す可能性の有る未病との関係を以下に例示する。
（１）未病が不眠症の前段状態である場合
（ａ）ログは、診断対象者における睡眠の状態変化を示す睡眠ログである。睡眠の状態は、レム睡眠、又は、ノンレム睡眠等に分類される。睡眠ログには、それぞれの睡眠状態の時間を示すデータが含まれている。
（ｂ）介護データには、診断対象者における睡眠薬の服用の有無のほかに、診断対象者の運動量等が記録されている。
（ｃ）睡眠薬の服用が有ることが介護データに記録されているとき、睡眠ログが、睡眠の状態が正常であることを示している。しかし、睡眠薬の服用が有ることが介護データに記録されていないとき、あるいは、睡眠薬の服用が無いことが介護データに記録されているとき、睡眠ログが、睡眠の状態が明らかな異常であることを表していないが、睡眠の状態が正常なときよりも、レム睡眠の時間、又は、ノンレム睡眠の時間が減少していることを示している。このようなときは、睡眠薬の効能によって眠れているものであって、睡眠薬の服用が無ければ、十分な睡眠がとれない可能性があるため、学習モデル４３は、異常所見無状態の未病として、不眠症の前段状態であることを示す診断データを出力する。
（ｄ）以前、睡眠薬の服用が有ることが介護データに記録されているときは、睡眠ログが、睡眠の状態が正常であることを示している。最近は、睡眠薬の服用が有ることが介護データに記録されているときでも、睡眠ログが、睡眠の状態が異常であることを示している。このようなときは、学習モデル４３は、異常所見有状態の未病として、不眠症の前段状態であることを示す診断データを出力する。
（ｅ）診断対象者の運動量が十分な運動量であることが介護データに記録されているとき、睡眠ログが、睡眠の状態が正常であることを示している。しかし、診断対象者の運動量が十分な運動量でないことが介護データに記録されているとき、睡眠ログが、睡眠の状態が明らかな異常であることを表していないが、睡眠の状態が正常なときよりも、レム睡眠の時間、又は、ノンレム睡眠の時間が減少していることを示している。このようなときは、運動不足が原因で眠れないだけで、運動を十分に行えば眠れるため、不眠が病的なものではない可能性が高い。よって、このようなときは、学習モデル４３は、不眠症の前段状態ではないことを示す診断データを出力する。十分な運動量は、診断対象者の年齢等に応じて定められている。

（２）未病が誤嚥性肺炎の前段状態である場合
（ａ）ログは、診断対象者における食事中の状態変化を示す画像データである。画像データは、音声データを含むデータである。画像データには、診断対象者における食事中の姿勢が映っており、食事中の咳き込み音が録音されていることがある。
（ｂ）介護データには、診断対象者の食事内容が記録されている。食事内容には、献立のほかに、食材が含まれている。
（ｃ）誤嚥性肺炎の症状と思われる顕著な症状が介護データに記録されていないときに、画像データが、食事中の姿勢が食事に不向きな姿勢であることを示しており、食事中の咳き込み音が画像データに録音されている。このようなときは、誤嚥性肺炎を発症する可能性が高いため、学習モデル４３は、異常所見無状態の未病として、誤嚥性肺炎の前段状態であることを示す診断データを出力する。食事に不向きな姿勢とは、例えば、あごが上がっている上向きの姿勢（後屈時）である。
（ｄ）誤嚥性肺炎の症状と思われる顕著な症状介護データに記録されていないときに、画像データが、食事中の姿勢が食事に不向きな姿勢であることを示しており、誤嚥性肺炎を生じやすい食事内容であることが介護データに記録されている。
　しかし、食事中の咳き込み音が画像データに録音されておらず、かつ、食事中に咳き込むことがある旨が介護データに記録されていなければ、飲み込みに関係する機能が低下していない可能性が高いため、学習モデル４３は、誤嚥性肺炎の前段状態ではないことを示す診断データを出力する。誤嚥性肺炎を生じやすい食事内容とは、例えば、パン、又は、芋のように、水分が少なく、パサパサしている食品のほか、例えば、焼きのり、又は、わかめのように、喉にくっつきやすい食品である。

（３）未病が歩行障害の前段状態である場合
（ａ）ログは、診断対象者における歩行の状態変化を示す歩行ログである。歩行ログには、診断対象者の歩行速度、姿勢、足の上げ幅、歩幅等を示すデータのほか、診断対象者の骨格の変化を示す骨格データが含まれている。
（ｂ）介護データには、診断対象者の歩行量のほか、診断対象者における睡眠薬の服用の有無、診断対象者の顔色、会話量、又は、食事量等が記録されている。
（ｃ）歩行障害と思われる顕著な症状が介護データに記録されていないときに、歩行ログが、歩行の状態が明らかな異常であることを表していないが、歩行の状態が劣化していることを示している。例えば、１０日前の歩行速度よりも、５日前の歩行速度が遅くなり、５日前の歩行速度よりも、本日の歩行速度が遅くなっているとき、あるいは、１０日前の歩行幅よりも、５日前の歩行幅が狭くなり、５日前の歩行幅よりも、本日の歩行幅が狭くなっているとき、歩行の状態が劣化していると考えられる。
　このとき、介護データに記録されている診断対象者の歩行量が、オーバーワークが想定される歩行量を超えていなければ、歩行状態の劣化の原因が、歩行疲れではないと考えられる。また、診断対象者の顔色は良好であり、かつ、食事量は通常通りである。このような場合、診断対象者の歩行機能の低下が原因で、歩行の状態が劣化している可能性が高いため、学習モデル４３は、異常所見無状態の未病として、歩行障害の前段状態であることを示す診断データを出力する。
（ｄ）以前は、歩行障害と思われる顕著な症状が介護データに記録されておらず、歩行ログが、歩行の状態が明らかな異常であることを表していない。最近は、歩行障害と思われる顕著な症状が介護データに記録されている。あるいは、歩行ログが、歩行の状態が明らかな異常であることを表している。このような場合、学習モデル４３は、異常所見有状態の未病として、歩行障害の前段状態であることを示す診断データを出力する。
（ｅ）歩行障害と思われる顕著な症状が介護データに記録されていないときに、歩行ログが、歩行の状態が明らかな異常であることを表していないが、歩行の状態が劣化していることを示している。しかし、介護データに記録されている診断対象者の歩行量が、オーバーワークが想定される歩行量を超えているときは、歩行状態の劣化の原因が、歩行疲れであることが考えられる。また、診断対象者の顔色が悪いとき、会話量が極めて少ないとき、あるいは、食事量が極めて少ないときは、診断対象者の体調が悪いことが考えられる。このような場合、診断対象者の歩行機能の低下以外が原因で、歩行状態が劣化している可能性が高いため、学習モデル４３は、歩行障害の前段状態ではないことを示す診断データを出力する。

（４）未病が認知症の前段状態である場合
（ａ）ログは、診断対象者による機器の操作履歴を示す操作ログである。操作ログは、エアコンの操作履歴、又は、テレビの操作履歴等である。
（ｂ）介護データには、診断対象者による機器の誤操作等が記録されている。機器の誤操作としては、現在の室温が例えば３０度以上の高温であるときに、エアコンを暖房モードで動作させる操作、現在の室温が例えば１０度以下の低温であるときに、エアコンを冷房モードで動作させる操作等が該当する。また、機器の誤操作としては、テレビのチャンネルを未放送のチャンネルに合わせる操作、テレビの音量を最大音量に設定する操作等が該当する。
　図１に示す未病診断装置１では、診断対象者を介護するスタッフ等が、操作ログが示す機器の操作履歴に基づいて、診断対象者による機器の誤操作を記録しているものとする。即ち、診断対象者による機器の誤操作が介護データに記録されているものとする。あるいは、操作ログが、診断対象者による機器の誤操作を示すデータを含んでいるものとする。
（ｃ）介護データには、認知症の症状と思われる顕著な症状が記録されていない。しかし、操作ログ、又は、介護データが、機器の誤操作の頻度が低くても、同じ誤操作が所定回数繰り返していることを示していれば、学習モデル４３は、異常所見無状態の未病として、認知症の前段状態であることを示す診断データを出力する。
（ｄ）介護データには、認知症の症状と思われる顕著な症状が記録されていない。しかし、操作ログ、又は、介護データが、機器の誤操作の頻度が高くても、同じ誤操作を繰り返していないことを示していれば、認知症とは無関係の誤操作である可能性が高い。よって、このようなときは、学習モデル４３は、認知症の前段状態ではないことを示す診断データを出力する。
　ただし、操作ログ、又は、介護データが、機器の誤操作の頻度が極めて高い頻度であることを示していれば、同じ誤操作を繰り返していないことを示していても、学習モデル４３は、異常所見無状態の未病として、認知症の前段状態であることを示す診断データを出力する。

　表示処理部１４は、未病診断部１３から出力された診断データに従って、図９に示すように、それぞれの診断対象者に対する未病の診断結果を示す情報を画面に表示するための表示データを生成する。
　また、表示処理部１４は、未病診断部１３から出力された診断データに従って、図１０に示すように、それぞれの診断対象者に生じている可能性の有る未病の情報を画面に表示するための表示データを生成する（図７のステップＳＴ４）。
　表示処理部１４は、診断対象者が例えば不眠症の前段状態であれば、不眠症の前段状態であることを画面に表示するための表示データを生成し、診断対象者が例えば歩行障害の前段状態であれば、歩行障害の前段状態であることを画面に表示するための表示データを生成する。
　また、表示処理部１４は、診断対象者が例えば認知症の前段状態であれば、認知症の前段状態であることを画面に表示するための表示データを生成し、診断対象者が例えば誤嚥性肺炎の前段状態であれば、誤嚥性肺炎の前段状態であることを画面に表示するための表示データを生成する。
　表示処理部１４は、表示データを表示装置２に出力する。
　表示装置２は、表示処理部１４から出力された表示データに従って、診断対象者に生じている可能性の有る未病の情報を画面に表示する。

　図９は、診断対象者に対する未病の診断結果を示す説明図である。
　図９の例では、複数の診断対象者のうち、１０１号室の「○△〇様」と１０２号室の「△△〇様」と１０３号室の「□△〇様」とは、未病が無く、正常であることが表されている。
　一方、１０４号室の「☆△〇様」と１０５号室の「☆〇☆様」とは、未病が有ることが表されている。
　図１０は、診断対象者に生じている可能性の有る未病の情報を示す説明図である。
　図１０の例では、１０４号室の「☆△〇様」が、未病として、認知症の前段状態の可能性があることを示している。
　また、図１０の例では、１０５号室の「☆〇☆様」が、未病として、不眠症の前段状態の可能性があることを示している。

　以上の実施の形態１では、未病の診断対象者における身体の変化を示すログを取得するログ取得部１１と、診断対象者に対する介護内容を示す介護データを取得する介護データ取得部１２と、ログ取得部１１により取得されたログと、介護データ取得部１２により取得された介護データとを学習モデル４３に与えて、学習モデル４３から、診断対象者に生じている可能性の有る未病を示す診断データを取得する未病診断部１３とを備えるように、未病診断装置１を構成した。したがって、未病診断装置１は、異常所見無状態の未病を診断することができる。

　次に、図４に示す学習モデル生成装置３の動作について説明する。
　図８は、図４に示す学習モデル生成装置３の処理手順である学習モデル生成方法を示すフローチャートである。
　データ取得部４１は、未病の診断対象者における身体の変化を示すログを取得する（図８のステップＳＴ１１）。
　また、データ取得部４１は、未病の診断対象者による機器の操作履歴を示すログを取得する。
　さらに、データ取得部４１は、診断対象者に対する介護内容を示す介護データを取得し、診断対象者に生じる可能性の有る未病を示す教師データ、又は、未病ではないことを示す教師データを取得する（図８のステップＳＴ１１）。
　データ取得部４１は、ログ、介護データ及び教師データのそれぞれを学習モデル生成部４２に出力する。

　ログが、例えば、診断対象者における睡眠の状態変化を示す睡眠ログであれば、データ取得部４１は、診断対象者の脳波を解析している脳波解析装置、あるいは、診断対象者に取り付けられている脳波センサ等から、ログを取得することができる。
　ログが、例えば、診断対象者における食事中の状態変化を示す画像データであれば、データ取得部４１は、診断対象者を撮影しているビデオカメラ等から、ログを取得することができる。
　ログが、例えば、診断対象者における歩行の状態変化を示す歩行ログであれば、データ取得部４１は、診断対象者の歩行を解析している歩行解析装置等から、ログを取得することができる。
　ログが、例えば、診断対象者による機器の操作履歴を示す操作ログであれば、データ取得部４１は、診断対象者が操作している機器から、ログを取得することができる。
　データ取得部４１は、例えば、診断対象者に対する介護内容を示す介護データを記録している介護記録装置等から、介護データを取得することができる。
　教師データは、診断対象者に生じる可能性の有る未病、又は、未病ではないことを示しており、医師等によって生成されることが想定される。

　学習モデル生成部４２は、データ取得部４１から、ログ、介護データ及び教師データのそれぞれを取得する。
　学習モデル生成部４２は、ログ、介護データ及び教師データのそれぞれを用いて、診断対象者に生じる可能性の有る未病を学習モデル４３に学習させる（図８のステップＳＴ１２）。
　学習モデル４３による学習を以下に例示する。

（１）睡眠薬の服用が有ることが記録されていない介護データ、あるいは、睡眠薬の服用が無いことが記録されている介護データが、学習モデル生成部４２に取得されている。
　また、睡眠の状態が明らかな異常であることを表していないが、睡眠の状態が正常なときよりも、レム睡眠の時間、又は、ノンレム睡眠の時間が減少していることを示す睡眠ログが、学習モデル生成部４２に取得されている。
　また、不眠症の前段状態であることを示す教師データが、学習モデル生成部４２に取得されている。
　上記のような、睡眠ログ、介護データ及び教師データが得られている場合、学習モデル生成部４２は、学習モデル４３から、異常所見無状態の未病として、不眠症の前段状態であることを示す診断データが出力されるように、学習モデル４３に学習させる。学習モデル４３がニューラルネットワークによって実現されている場合、学習モデル４３から、不眠症の前段状態であることを示す診断データが出力されるように、学習モデル生成部４２が、ニューラルネットワークのシナプスの結合強度を変化させる。

（２）学習モデル生成部４２に以前取得された介護データには、睡眠薬の服用が有ることが記録されており、学習モデル生成部４２に以前取得された睡眠ログは、睡眠の状態が正常であることを示している。
　学習モデル生成部４２に最近取得された介護データには、睡眠薬の服用が有ることが記録されていない、あるいは、睡眠薬の服用が無いことが記録されている。学習モデル生成部４２に最近取得された睡眠ログは、睡眠の状態が異常であることを示している。
　不眠症の前段状態であることを示す教師データが、学習モデル生成部４２に取得されている。
　上記のような、睡眠ログ、介護データ及び教師データが得られている場合、学習モデル生成部４２は、学習モデル４３から、異常所見有状態の未病として、不眠症の前段状態であることを示す診断データが出力されるように、学習モデル４３に学習させる。学習モデル４３がニューラルネットワークによって実現されている場合、学習モデル４３から、不眠症の前段状態であることを示す診断データが出力されるように、学習モデル生成部４２が、ニューラルネットワークのシナプスの結合強度を変化させる。

（３）診断対象者の運動量が十分な運動量であることが記録されている介護データが、学習モデル生成部４２に取得され、かつ、睡眠の状態が正常であることを示す睡眠ログが、学習モデル生成部４２に取得されている。
　また、診断対象者の運動量が十分な運動量ではないことが記録されている介護データが、学習モデル生成部４２に取得され、かつ、睡眠の状態が明らかな異常であることを表していないが、睡眠の状態が正常なときよりも、レム睡眠の時間、又は、ノンレム睡眠の時間が減少していることを示す睡眠ログが、学習モデル生成部４２に取得されている。
　また、不眠症の前段状態ではないことを示す教師データが、学習モデル生成部４２に取得されている。
　上記のような、睡眠ログ、介護データ及び教師データが得られている場合、学習モデル生成部４２は、学習モデル４３から、不眠症の前段状態ではないことを示す診断データが出力されるように、学習モデル４３に学習させる。学習モデル４３がニューラルネットワークによって実現されている場合、学習モデル４３から、不眠症の前段状態ではないことを示す診断データが出力されるように、学習モデル生成部４２が、ニューラルネットワークのシナプスの結合強度を変化させる。

（４）誤嚥性肺炎の症状と思われる顕著な症状が記録されていない介護データが、学習モデル生成部４２に取得されている。
　また、食事中の姿勢が食事に不向きな姿勢であることを示し、かつ、食事中の咳き込み音が録音されている画像データであるログが、学習モデル生成部４２に取得されている。
　また、誤嚥性肺炎の前段状態であることを示す教師データが、学習モデル生成部４２に取得されている。
　上記のような、画像データ、介護データ及び教師データが得られている場合、学習モデル生成部４２は、学習モデル４３から、異常所見無状態の未病として、誤嚥性肺炎の前段状態であることを示す診断データが出力されるように、学習モデル４３に学習させる。学習モデル４３がニューラルネットワークによって実現されている場合、学習モデル４３から、誤嚥性肺炎の前段状態であることを示す診断データが出力されるように、学習モデル生成部４２は、ニューラルネットワークのシナプスの結合強度を変化させる。

（５）誤嚥性肺炎の症状と思われる顕著な症状が記録されていない介護データが、学習モデル生成部４２に取得されている。
　また、食事中の咳き込み音が録音されていない画像データであるログ、あるいは、食事中に咳き込むことがある旨の記録がない介護データが、学習モデル生成部４２に取得されている。
　また、誤嚥性肺炎の前段状態ではないことを示す教師データが、学習モデル生成部４２に取得されている。
　上記のような、画像データ、介護データ及び教師データが得られている場合、学習モデル生成部４２は、学習モデル４３から、誤嚥性肺炎の前段状態ではないことを示す診断データが出力されるように、学習モデル４３に学習させる。学習モデル４３がニューラルネットワークによって実現されている場合、学習モデル４３から、誤嚥性肺炎の前段状態ではないことを示す診断データが出力されるように、学習モデル生成部４２は、ニューラルネットワークのシナプスの結合強度を変化させる。

（６）歩行障害と思われる顕著な症状が記録されていないが、診断対象者の歩行量が、オーバーワークの歩行量ではないことが記録されている介護データが、学習モデル生成部４２に取得されている。
　また、歩行の状態が明らかな異常であることを表していないが、歩行の状態が劣化していることを示している歩行ログが、学習モデル生成部４２に取得されている。
　また、歩行障害の前段状態であることを示す教師データが、学習モデル生成部４２に取得されている。
　上記のような、歩行ログ、介護データ及び教師データが得られている場合、学習モデル生成部４２は、学習モデル４３から、異常所見無状態の未病として、歩行障害の前段状態であることを示す診断データが出力されるように、学習モデル４３に学習させる。学習モデル４３がニューラルネットワークによって実現されている場合、学習モデル４３から、歩行障害の前段状態であることを示す診断データが出力されるように、学習モデル生成部４２は、ニューラルネットワークのシナプスの結合強度を変化させる。

（７）学習モデル生成部４２に以前取得された介護データには、歩行障害と思われる顕著な症状が記録されていない。学習モデル生成部４２に以前取得された歩行ログは、歩行の状態が明らかな異常であることを表していない。
　学習モデル生成部４２に最近取得された介護データには、歩行障害と思われる顕著な症状が記録されている。あるいは、学習モデル生成部４２に最近取得された歩行ログは、歩行の状態が異常を表している。
　また、歩行障害の前段状態であることを示す教師データが、学習モデル生成部４２に取得されている。
　上記のような、歩行ログ、介護データ及び教師データが得られている場合、学習モデル生成部４２は、学習モデル４３から、異常所見有状態の未病として、歩行障害の前段状態であることを示す診断データが出力されるように、学習モデル４３に学習させる。学習モデル４３がニューラルネットワークによって実現されている場合、学習モデル４３から、歩行障害の前段状態であることを示す診断データが出力されるように、学習モデル生成部４２は、ニューラルネットワークのシナプスの結合強度を変化させる。

（８）歩行障害と思われる顕著な症状が記録されていないが、診断対象者の歩行量が、オーバーワークの歩行量であることが記録されている介護データが、学習モデル生成部４２に取得されている。
　また、歩行の状態が明らかな異常であることを表していないが、歩行の状態が劣化していることを示している歩行ログが、学習モデル生成部４２に取得されている。
　また、歩行障害の前段状態ではないことを示す教師データが、学習モデル生成部４２に取得されている。
　上記のような、歩行ログ、介護データ及び教師データが得られている場合、学習モデル生成部４２は、学習モデル４３から、歩行障害の前段状態ではないことを示す診断データが出力されるように、学習モデル４３に学習させる。学習モデル４３がニューラルネットワークによって実現されている場合、学習モデル４３から、歩行障害の前段状態ではないことを示す診断データが出力されるように、学習モデル生成部４２は、ニューラルネットワークのシナプスの結合強度を変化させる。

（９）認知症の症状と思われる顕著な症状が記録されていない介護データが、学習モデル生成部４２に取得されている。
　また、機器の誤操作の頻度が低くても、同じ誤操作が所定回数繰り返していることを示している操作ログ、又は、機器の誤操作の頻度が低くても、同じ誤操作が所定回数繰り返していることが記録されている介護データが、学習モデル生成部４２に取得されている。
　また、認知症の前段状態であることを示す教師データが、学習モデル生成部４２に取得されている。
　上記のような、操作ログ、介護データ及び教師データが得られている場合、学習モデル生成部４２は、学習モデル４３から、異常所見無状態の未病として、認知症の前段状態であることを示す診断データが出力されるように、学習モデル４３に学習させる。学習モデル４３がニューラルネットワークによって実現されている場合、学習モデル４３から、認知症の前段状態であることを示す診断データが出力されるように、学習モデル生成部４２が、ニューラルネットワークのシナプスの結合強度を変化させる。

（１０）認知症の症状と思われる顕著な症状が記録されていない介護データが、学習モデル生成部４２に取得されている。
　また、機器の誤操作の頻度が高くても、同じ誤操作を繰り返していないことを示している操作ログ、又は、機器の誤操作の頻度が高くても、同じ誤操作を繰り返していないことが記録されている介護データが、学習モデル生成部４２に取得されている。
　また、認知症の前段状態ではないことを示す教師データが、学習モデル生成部４２に取得されている。
　上記のような、操作ログ、介護データ及び教師データが得られている場合、学習モデル生成部４２は、学習モデル４３から、認知症の前段状態ではないことを示す診断データが出力されるように、学習モデル４３に学習させる。学習モデル４３がニューラルネットワークによって実現されている場合、学習モデル４３から、認知症の前段状態ではないことを示す診断データが出力されるように、学習モデル生成部４２が、ニューラルネットワークのシナプスの結合強度を変化させる。
　ただし、操作ログ、又は、介護データが、機器の誤操作の頻度が極めて高いことを示しており、認知症の前段状態であることを示す教師データが、学習モデル生成部４２に取得されている。このような場合、学習モデル生成部４２は、学習モデル４３から、異常所見無状態の未病として、認知症の前段状態であることを示す診断データが出力されるように、学習モデル４３に学習させる。

　学習モデル生成部４２は、学習済みの学習モデル４３を図１に示す未病診断装置１の未病診断部１３に与える（図８のステップＳＴ１３）。

　以上の実施の形態１では、未病の診断対象者における身体の変化を示すログを取得し、診断対象者に対する介護内容を示す介護データを取得し、診断対象者に生じている可能性の有る未病を示す教師データ、又は、未病ではないことを示す教師データを取得するデータ取得部４１と、データ取得部４１により取得されたログ、介護データ及び教師データのそれぞれを用いて、診断対象者に生じる可能性の有る未病を学習し、未病の診断対象者における身体の変化を示すログと、未病の診断対象者に対する介護内容を示す介護データとが与えられると、診断対象者に生じている可能性の有る未病を示す診断データを出力する学習モデル４３を生成する学習モデル生成部４２とを備えるように、学習モデル生成装置３を構成した。したがって、学習モデル生成装置３は、異常所見無状態の未病を診断するための未病診断装置１に、学習モデル４３を提供することができる。

実施の形態２．
　実施の形態２では、未病診断部１６が、ログと介護データとのほかに、診断対象者の周囲の環境を示す環境データを学習モデル４６に与えて、学習モデル４６から、診断対象者に生じている可能性の有る未病を示す診断データを取得する未病診断装置１について説明する。

　図１１は、実施の形態２に係る未病診断装置１を示す構成図である。
　図１２は、実施の形態２に係る未病診断装置１のハードウェアを示すハードウェア構成図である。図１１及び図１２において、図１及び図２と同一符号は同一又は相当部分を示すので説明を省略する。
　図１１に示す未病診断装置１は、ログ取得部１１、介護データ取得部１２、環境データ取得部１５、未病診断部１６及び表示処理部１４を備えている。

　環境データ取得部１５は、例えば、図１２に示す環境データ取得回路２５によって実現される。
　環境データ取得部１５は、診断対象者の周囲の環境を示す環境データを取得する。
　環境データ取得部１５は、環境データを未病診断部１６に出力する。

　未病診断部１６は、例えば、図１２に示す未病診断回路２６によって実現される。
　未病診断部１６は、図１３に示す学習モデル生成装置３により生成された学習モデル４６を備えている。
　未病診断部１６は、ログ取得部１１により取得されたログと、介護データ取得部１２により取得された介護データと、環境データ取得部１５により取得された環境データとを学習モデル４６に与えて、学習モデル４６から、診断対象者に生じている可能性の有る未病を示す診断データを取得する。
　未病診断部１６は、診断データを表示処理部１４に出力する。

　図１１では、未病診断装置１の構成要素であるログ取得部１１、介護データ取得部１２、環境データ取得部１５、未病診断部１６及び表示処理部１４のそれぞれが、図１２に示すような専用のハードウェアによって実現されるものを想定している。即ち、未病診断装置１が、ログ取得回路２１、介護データ取得回路２２、環境データ取得回路２５、未病診断回路２６及び表示処理回路２４によって実現されるものを想定している。
　ログ取得回路２１、介護データ取得回路２２、環境データ取得回路２５、未病診断回路２６及び表示処理回路２４のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又は、これらを組み合わせたものが該当する。

　未病診断装置１の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、未病診断装置１が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
　未病診断装置１が、ソフトウェア又はファームウェア等によって実現される場合、ログ取得部１１、介護データ取得部１２、環境データ取得部１５、未病診断部１６及び表示処理部１４におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図３に示すメモリ３１に格納される。そして、図３に示すプロセッサ３２がメモリ３１に格納されているプログラムを実行する。

　また、図１２では、未病診断装置１の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図３では、未病診断装置１がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、未病診断装置１における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。

　図１３は、実施の形態２に係る学習モデル生成装置３を示す構成図である。
　図１４は、実施の形態２に係る学習モデル生成装置３のハードウェアを示すハードウェア構成図である。
　図１３に示す学習モデル生成装置３は、データ取得部４４及び学習モデル生成部４５を備えている。

　データ取得部４４は、例えば、図１４に示すデータ取得回路５３によって実現される。
　データ取得部４４は、未病の診断対象者における身体の変化を示すログを取得する。
　ここでは、データ取得部４４が、身体の変化を示すログを取得している。しかし、これは一例に過ぎず、データ取得部４４が、身体の変化を示すログの代わりに、未病の診断対象者による機器の操作履歴を示すログを取得するようにしてもよい。
　また、データ取得部４４は、身体の変化を示すログと、診断対象者による機器の操作履歴を示すログとの双方を取得するようにしてもよい。
　データ取得部４４は、診断対象者に対する介護内容を示す介護データを取得し、診断対象者の周囲の環境を示す環境データを取得する。
　また、データ取得部４４は、診断対象者に生じる可能性の有る未病を示す教師データ、又は、未病ではないことを示す教師データを取得する。教師データは、医師等によって生成されることが想定される。
　データ取得部４４は、ログ、介護データ、環境データ及び教師データのそれぞれを学習モデル生成部４５に出力する。

　学習モデル生成部４５は、例えば、図１４に示す学習モデル生成回路５４によって実現される。
　学習モデル生成部４５は、データ取得部４４から、ログ、介護データ、環境データ及び教師データのそれぞれを取得する。
　学習モデル生成部４５は、ログ、介護データ、環境データ及び教師データのそれぞれを用いて、診断対象者に生じる可能性の有る未病を学習し、未病の診断対象者における身体の変化を示すログと、未病の診断対象者に対する介護内容を示す介護データと、診断対象者の周囲の環境を示す環境データとが与えられると、診断対象者に生じている可能性の有る未病を示す診断データを出力する学習モデル４６を生成する。
　学習モデル生成部４５は、生成した学習済みの学習モデル４６を図１１に示す未病診断装置１の未病診断部１６に与える。
　学習済みの学習モデル４６は、ログ、介護データ、環境データ及び教師データのそれぞれを用いて、診断対象者に生じる可能性の有る未病を学習したものであり、例えば、ニューラルネットワークによって実現される。

　図１３では、学習モデル生成装置３の構成要素であるデータ取得部４４及び学習モデル生成部４５のそれぞれが、図１４に示すような専用のハードウェアによって実現されるものを想定している。即ち、学習モデル生成装置３が、データ取得回路５３及び学習モデル生成回路５４によって実現されるものを想定している。
　データ取得回路５３及び学習モデル生成回路５４のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又は、これらを組み合わせたものが該当する。

　学習モデル生成装置３の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、学習モデル生成装置３が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
　学習モデル生成装置３が、ソフトウェア又はファームウェア等によって実現される場合、データ取得部４４及び学習モデル生成部４５におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図６に示すメモリ６１に格納される。そして、図６に示すプロセッサ６２がメモリ６１に格納されているプログラムを実行する。

　また、図１４では、学習モデル生成装置３の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図６では、学習モデル生成装置３がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、学習モデル生成装置３における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。

　次に、図１１に示す未病診断装置１の動作について説明する。
　ログ取得部１１は、未病の診断対象者における身体の変化を示すログを取得する。
　また、ログ取得部１１は、未病の診断対象者による機器の操作履歴を示すログを取得する。
　ログ取得部１１は、取得したログを未病診断部１６に出力する。

　介護データ取得部１２は、例えば、診断対象者に対する介護内容を示す介護データを記録している介護記録装置等から、介護データを取得する。
　介護データ取得部１２は、介護データを未病診断部１６に出力する。

　環境データ取得部１５は、診断対象者の周囲の環境を示す環境データを取得する。
　環境データ取得部１５は、環境データを未病診断部１６に出力する。
　環境データが、例えば、室温、湿度、照度、気圧、二酸化炭素濃度、空気の汚れ、臭い、障害物の有無等を示す環境ログであれば、環境データ取得部１５は、例えば、室温を観測している室温センサ、湿度を観測している湿度センサ、照度を観測している照度センサから、ログを取得することができる。また、環境データ取得部１５は、例えば、気圧を観測している気圧センサ、二酸化炭素濃度を観測している二酸化炭素センサ、空気の汚れを観測している汚染観測センサ、臭いを観測している臭いセンサから、ログを取得することができる。また、環境データ取得部１５は、例えば、診断対象者を含む環境を撮影している監視カメラから、ログを取得することができる。なお、環境データには、環境を観測しているセンサの設置位置を示す位置データが含まれている。

　未病診断部１６は、ログ取得部１１により取得されたログと、介護データ取得部１２により取得された介護データと、環境データ取得部１５により取得された環境データとを学習モデル４６に与えて、学習モデル４６から、診断対象者に生じている可能性の有る未病を示す診断データを取得する。
　未病診断部１６は、診断データを表示処理部１４に出力する。

　ログが示す身体の変化、又は、ログが示す機器の操作履歴と、介護データが示す診断対象者に対する介護内容と、環境データが示す環境と、診断データが示す可能性の有る未病との関係を以下に例示する。
（１）未病が不眠症の前段状態である場合
（ａ）ログは、診断対象者における睡眠の状態変化を示す睡眠ログである。
（ｂ）介護データには、診断対象者における睡眠薬の服用の有無のほかに、診断対象者の運動量等が記録されている。
（ｃ）環境データには、例えば、室温を示すデータが含まれている。
（ｄ）睡眠薬の服用が有ることが介護データに記録されているとき、睡眠ログが、睡眠の状態が正常であることを示している。しかし、睡眠薬の服用が有ることが介護データに記録されていないとき、あるいは、睡眠薬の服用が無いことが介護データに記録されているとき、睡眠ログが、睡眠の状態が明らかな異常であることを表していないが、睡眠の状態が正常なときよりも、レム睡眠の時間、又は、ノンレム睡眠の時間が減少していることを示している。このようなときは、睡眠薬の効能によって眠れているものであって、睡眠薬の服用が無ければ、十分に睡眠がとれない可能性があるため、学習モデル４６は、異常所見無状態の未病として、不眠症の前段状態であることを示す診断データを出力する。
　ただし、環境データが示す気温が例えば３０度以上の高温であって、寝苦しい環境化であるときに、睡眠ログが、睡眠の状態が正常なときよりも、レム睡眠の時間、又は、ノンレム睡眠の時間が減少していることを示している。しかし、環境データが示す気温が、睡眠に適している２０度程度の室温であるときには、睡眠ログが、睡眠の状態が正常であることを示している。このようなときは、寝る環境が不適正であるために、眠れない可能性が高いため、学習モデル４６は、不眠症の前段状態ではないことを示す診断データを出力する。
（ｅ）以前、睡眠薬の服用が有ることが介護データに記録されているときは、睡眠ログが、睡眠の状態が正常であることを示している。最近は、睡眠薬の服用が有ることが介護データに記録されているときでも、睡眠ログが、睡眠の状態が異常であることを示している。このようなときは、学習モデル４６は、異常所見有状態の未病として、不眠症の前段状態であることを示す診断データを出力する。
　ただし、環境データが示す気温が例えば３０度以上の高温であって、寝苦しい環境化であるときに、睡眠ログが、睡眠の状態が異常であることを示している。しかし、環境データが示す気温が、睡眠に適している２０度程度の室温であるときには、睡眠ログが、睡眠の状態が正常であることを示している。このようなときは、寝る環境が不適正であるために、眠れない可能性が高いため、学習モデル４６は、不眠症の前段状態ではないことを示す診断データを出力する。
（ｆ）診断対象者の運動量が十分な運動量であることが介護データに記録されているときは、睡眠ログが、睡眠の状態が正常であることを示している。しかし、診断対象者の運動量が十分な運動量ではないことが介護データに記録されているときは、睡眠ログが、睡眠の状態が明らかな異常であることを表していないが、睡眠の状態が正常なときよりも、レム睡眠の時間、又は、ノンレム睡眠の時間が減少していることを示している。このようなときは、運動不足が原因で眠れないだけで、運動を十分に行えば眠れるため、不眠が病的なものではない可能性が高い。よって、このようなときは、学習モデル４６は、不眠症の前段状態ではないことを示す診断データを出力する。
　なお、診断対象者の運動量が十分な運動量であるか否かにかかわらず、睡眠に適している２０度程度の室温であるときには、睡眠ログが、睡眠の状態が正常であることを示している。一方、診断対象者の運動量が十分な運動量であるか否かにかかわらず、寝苦しい環境化であるときに、睡眠ログが、睡眠の状態が正常なときよりも、レム睡眠の時間、又は、ノンレム睡眠の時間が減少していることを示している。このようなときは、寝る環境が不適正であるために、眠れない可能性が高いため、学習モデル４６は、不眠症の前段状態ではないことを示す診断データを出力する。

（２）未病が誤嚥性肺炎の前段状態である場合
（ａ）ログは、診断対象者における食事中の状態変化を示す画像データである。画像データは、音声データを含むデータである。画像データには、診断対象者における食事中の姿勢が映っており、食事中の咳き込み音が録音されていることがある。
（ｂ）介護データには、診断対象者の食事内容が記録されている。食事内容には、献立のほかに、食材が含まれている。
（ｃ）環境データには、例えば、二酸化炭素濃度を示すデータが含まれている。
（ｄ）介護データには、誤嚥性肺炎の症状と思われる顕著な症状が記録されていない。しかし、画像データが、食事中の姿勢が食事に不向きな姿勢であることを示し、食事中の咳き込み音が画像データに録音されている。このようなときは、誤嚥性肺炎を発症する可能性が高いため、学習モデル４６は、異常所見無状態の未病として、誤嚥性肺炎の前段状態であることを示す診断データを出力する。
　ただし、環境データが示す二酸化炭素濃度が基準濃度よりも高いために、診断対象者の具合が悪くなっていることがある。このようなときは、二酸化炭素の影響で、咳き込みが発生している可能性が高いため、学習モデル４６は、誤嚥性肺炎の前段状態ではないことを示す診断データを出力する。基準濃度は、二酸化炭素中毒を起こす可能性がある最低の濃度等である。
（ｅ）介護データには、誤嚥性肺炎の症状と思われる顕著な症状が記録されていない。また、画像データが、食事中の姿勢が食事に不向きな姿勢であることを示し、介護データが、誤嚥性肺炎を生じやすい食事内容であることを示している。しかし、食事中の咳き込み音が画像データに録音されていないとき、あるいは、食事中に咳き込むことがある旨が介護データに記録されていないときは、飲み込みに関係する機能が低下していない可能性が高いため、学習モデル４６は、誤嚥性肺炎の前段状態ではないことを示す診断データを出力する。

（３）未病が歩行障害の前段状態である場合
（ａ）ログは、診断対象者における歩行の状態変化を示す歩行ログである。歩行ログには、診断対象者の歩行速度、姿勢、足の上げ幅、歩幅等を示すデータのほか、診断対象者の骨格の変化を示す骨格データが含まれている。
（ｂ）介護データには、診断対象者の歩行量のほか、診断対象者における睡眠薬の服用の有無、診断対象者の顔色、会話量、又は、食事量等が記録されている。
（ｃ）環境データには、例えば、診断対象者を含む環境を撮影している監視カメラの映像データが含まれている。
（ｄ）介護データには、歩行障害と思われる顕著な症状が記録されていない。また、歩行ログが、歩行の状態が明らかな異常であることを表していないが、歩行の状態が劣化していることを示している。
　このとき、介護データに記録されている診断対象者の歩行量が、オーバーワークが想定される歩行量を超えていなければ、歩行状態の劣化の原因が、歩行疲れではないと考えられる。また、診断対象者の顔色は良好であり、かつ、食事量は通常通りである。このような場合、診断対象者の歩行機能の低下が原因で、歩行の状態が劣化している可能性が高いため、学習モデル４６は、異常所見無状態の未病として、歩行障害の前段状態であることを示す診断データを出力する。
　ただし、環境データが、歩行中に障害物が存在していたことを示していれば、障害物の影響で、歩行の状態が劣化していることが考えられる。このような場合、診断対象者の歩行機能の低下以外が原因で、歩行の状態が劣化している可能性が高いため、学習モデル４６は、歩行障害の前段状態ではないことを示す診断データを出力する。
（ｅ）以前は、歩行障害と思われる顕著な症状が介護データに記録されておらず、歩行ログが、歩行の状態が明らかな異常であることを表していない。最近は、歩行障害と思われる顕著な症状が介護データに記録されている。あるいは、歩行ログが、歩行の状態が明らかな異常であることを表している。このような場合、学習モデル４６は、異常所見有状態の未病として、歩行障害の前段状態であることを示す診断データを出力する。
　ただし、環境データが、歩行中に障害物が存在していたことを示していれば、障害物の影響で、歩行の状態が劣化していることが考えられる。このような場合、診断対象者の歩行機能の低下以外が原因で、歩行の状態が劣化している可能性が高いため、学習モデル４６は、歩行障害の前段状態ではないことを示す診断データを出力する。
（ｆ）介護データには、歩行障害と思われる顕著な症状が記録されていない。また、歩行ログが、歩行の状態が明らかな異常であることを表していないが、歩行の状態が劣化していることを示している。しかし、介護データに記録されている診断対象者の歩行量が、オーバーワークが想定される歩行量を超えているときは、歩行状態の劣化の原因が、歩行疲れであることが考えられる。また、診断対象者の顔色が悪いとき、会話量が極めて少ないとき、あるいは、食事量が極めて少ないときは、診断対象者の体調が悪いことが考えられる。このような場合、診断対象者の歩行機能の低下以外が原因で、歩行状態が劣化している可能性が高いため、学習モデル４６は、歩行障害の前段状態ではないことを示す診断データを出力する。

（４）未病が認知症の前段状態である場合
（ａ）ログは、診断対象者による機器の操作履歴を示す操作ログである。操作ログは、エアコンの操作履歴、又は、テレビの操作履歴等である。
（ｂ）介護データには、診断対象者による機器の誤操作等が記録されている。機器の誤操作としては、現在の室温が３０度以上の高温であるときに、エアコンを暖房モードで動作させる操作、現在の室温が１０度以下の低温であるときに、エアコンを冷房モードで動作させる操作等が該当する。また、機器の誤操作としては、テレビのチャンネルを未放送のチャンネルに合わせる操作、テレビの音量を最大音量に設定する操作等が該当する。
　図１１に示す未病診断装置１では、診断対象者を介護するスタッフ等が、操作ログが示す機器の操作履歴に基づいて、診断対象者による機器の誤操作を記録しているものとする。即ち、診断対象者による機器の誤操作が介護データに記録されているものとする。あるいは、操作ログが、診断対象者による機器の誤操作を示すデータを含んでいるものとする。
（ｃ）環境データには、例えば、室温を示すデータが含まれている。
（ｄ）介護データには、認知症の症状と思われる顕著な症状が記録されていない。しかし、操作ログ、又は、介護データが、機器の誤操作の頻度が低くても、同じ誤操作が所定回数繰り返していることを示していれば、学習モデル４６は、異常所見無状態の未病として、認知症の前段状態であることを示す診断データを出力する。
（ｅ）介護データには、認知症の症状と思われる顕著な症状が記録されていない。しかし、操作ログ、又は、介護データが、機器の誤操作の頻度が高くても、同じ誤操作を繰り返していないことを示していれば、認知症とは無関係の誤操作である可能性が高い。よって、このようなときは、学習モデル４６は、認知症の前段状態ではないことを示す診断データを出力する。
　ただし、操作ログ、又は、介護データが、機器の誤操作の頻度が極めて高い頻度であることを示していれば、学習モデル４６は、異常所見無状態の未病として、認知症の前段状態であることを示す診断データを出力する。
　また、環境データが示す室温が、熱中症を発症する可能性がある危険な温度であるときに、エアコンの冷房モードの運転操作を示す操作ログがなければ、認知症の疑いがあるため、学習モデル４６は、異常所見無状態の未病として、認知症の前段状態であることを示す診断データを出力する。

　表示処理部１４は、未病診断部１６から出力された診断データに従って、図９に示すように、それぞれの診断対象者に対する未病の診断結果を示す情報を画面に表示するための表示データを生成する。
　また、表示処理部１４は、未病診断部１６から出力された診断データに従って、図１５に示すように、それぞれの診断対象者に生じている可能性の有る未病の情報を画面に表示するための表示データを生成する。
　表示処理部１４は、表示データを表示装置２に出力する。
　表示装置２は、表示処理部１４から出力された表示データに従って、診断対象者に生じている可能性の有る未病の情報を画面に表示する。

　図１５は、診断対象者に生じている可能性の有る未病の情報を示す説明図である。
　図１５の例では、１０４号室の「☆△〇様」が、未病として、歩行障害の前段状態の可能性があることを示している。
　また、図１５の例では、１０５号室の「☆〇☆様」が、未病として、誤嚥性肺炎の前段状態の可能性があることを示している。

　以上の実施の形態２では、診断対象者の周囲の環境を示す環境データを取得する環境データ取得部１５を備え、未病診断部１６が、ログ取得部１１により取得されたログと、介護データ取得部１２により取得された介護データと、環境データ取得部１５により取得された環境データとを学習モデル４６に与えて、学習モデル４６から、診断対象者に生じている可能性の有る未病を示す診断データを取得するように、図１１に示す未病診断装置１を構成した。したがって、図１１に示す未病診断装置１は、図１に示す未病診断装置１よりも、未病の診断精度を高めることができる。

　次に、図１３に示す学習モデル生成装置３の動作について説明する。
　データ取得部４４は、未病の診断対象者における身体の変化を示すログを取得する。
　また、データ取得部４４は、未病の診断対象者による機器の操作履歴を示すログを取得する。
　データ取得部４４は、診断対象者に対する介護内容を示す介護データを取得し、診断対象者の周囲の環境を示す環境データを取得する。
　さらに、データ取得部４４は、診断対象者に生じる可能性の有る未病を示す教師データ、又は、未病ではないことを示す教師データを取得する。
　データ取得部４４は、ログ、介護データ、環境データ及び教師データのそれぞれを学習モデル生成部４５に出力する。

　学習モデル生成部４５は、データ取得部４４から、ログ、介護データ、環境データ及び教師データのそれぞれを取得する。
　学習モデル生成部４５は、ログ、介護データ、環境データ及び教師データのそれぞれを用いて、診断対象者に生じる可能性の有る未病を学習モデル４６に学習させる。
　学習モデル４６による学習を以下に例示する。

（１）睡眠薬の服用が有ることが記録されていない介護データ、あるいは、睡眠薬の服用が無いことが記録されている介護データが、学習モデル生成部４５に取得されている。
　また、睡眠の状態が明らかな異常であることを表していないが、睡眠の状態が正常なときよりも、レム睡眠の時間、又は、ノンレム睡眠の時間が減少していることを示す睡眠ログが、学習モデル生成部４５に取得されている。
　また、睡眠に適している２０度程度の室温を示す環境データが、学習モデル生成部４５に取得されている。
　さらに、不眠症の前段状態であることを示す教師データが、学習モデル生成部４５に取得されている。
　上記のような、睡眠ログ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部４５は、学習モデル４６から、異常所見無状態の未病として、不眠症の前段状態であることを示す診断データが出力されるように、学習モデル４６に学習させる。学習モデル４６がニューラルネットワークによって実現されている場合、学習モデル４６から、不眠症の前段状態であることを示す診断データが出力されるように、学習モデル生成部４５は、ニューラルネットワークのシナプスの結合強度を変化させる。

（２）学習モデル生成部４５に以前取得された介護データには、睡眠薬の服用が有ることが記録されており、学習モデル生成部４５に以前取得された睡眠ログは、睡眠の状態が正常であることを示している。
　学習モデル生成部４５に最近取得された介護データには、睡眠薬の服用が有ることが記録されていない、あるいは、睡眠薬の服用が無いことが記録されている。学習モデル生成部４５に最近取得された睡眠ログは、睡眠の状態が異常であることを示している。
　睡眠に適している２０度程度の室温を示す環境データが、学習モデル生成部４５に取得されている。
　また、不眠症の前段状態であることを示す教師データが、学習モデル生成部４５に取得されている。
　上記のような、睡眠ログ、介護データ及び教師データが得られている場合、学習モデル生成部４５は、学習モデル４６から、異常所見有状態の未病として、不眠症の前段状態であることを示す診断データが出力されるように、学習モデル４６に学習させる。

（３）睡眠薬の服用が有ることが記録されていない介護データ、あるいは、睡眠薬の服用が無いことが記録されている介護データが、学習モデル生成部４５に取得されている。
　また、睡眠の状態が明らかな異常であることを表していないが、睡眠の状態が正常なときよりも、レム睡眠の時間、又は、ノンレム睡眠の時間が減少していることを示す睡眠ログが、学習モデル生成部４５に取得されている。
　また、寝苦しい環境化である３０度以上の室温を示す環境データが、学習モデル生成部４５に取得されている。
　さらに、不眠症の前段状態ではないことを示す教師データが、学習モデル生成部４５に取得されている。
　上記のような、睡眠ログ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部４５は、学習モデル４６から、不眠症の前段状態ではないことを示す診断データが出力されるように、学習モデル４６に学習させる。

（４）診断対象者の運動量が十分な運動量であることが記録されている介護データが、学習モデル生成部４５に取得され、かつ、睡眠の状態が正常であることを示す睡眠ログが、学習モデル生成部４５に取得されている。
　また、診断対象者の運動量が十分な運動量でないことが記録されている介護データが、学習モデル生成部４５に取得され、かつ、睡眠の状態が明らかな異常であることを表していないが、睡眠の状態が正常なときよりも、レム睡眠の時間、又は、ノンレム睡眠の時間が減少していることを示す睡眠ログが、学習モデル生成部４５に取得されている。
　また、周囲の環境の温度を示す環境データが、学習モデル生成部４５に取得されている。
　さらに、不眠症の前段状態ではないことを示す教師データが、学習モデル生成部４５に取得されている。
　上記のような、睡眠ログ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部４５は、学習モデル４６から、不眠症の前段状態ではないことを示す診断データが出力されるように、学習モデル４６に学習させる。

（５）睡眠の状態が正常であることを示す睡眠ログが、学習モデル生成部４５に取得され、かつ、睡眠に適している２０度程度の室温を示す環境データが、学習モデル生成部４５に取得されている。
　また、睡眠の状態が明らかな異常であることを表していないが、睡眠の状態が正常なときよりも、レム睡眠の時間、又は、ノンレム睡眠の時間が減少していることを示す睡眠ログが、学習モデル生成部４５に取得され、かつ、寝苦しい環境化である３０度以上の室温を示す環境データが、学習モデル生成部４５に取得されている。
　さらに、不眠症の前段状態ではないことを示す教師データが、学習モデル生成部４５に取得されている。
　上記のような、睡眠ログ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部４５は、学習モデル４６から、不眠症の前段状態ではないことを示す診断データが出力されるように、学習モデル４６に学習させる。

（６）誤嚥性肺炎の症状と思われる顕著な症状が記録されていない介護データが、学習モデル生成部４５に取得されている。
　また、食事中の姿勢が食事に不向きな姿勢であることを示し、かつ、食事中の咳き込み音が録音されている画像データであるログが、学習モデル生成部４５に取得されている。
　また、二酸化炭素濃度が基準濃度よりも低いことを示す環境データが、学習モデル生成部４５に取得されている。
　さらに、誤嚥性肺炎の前段状態であることを示す教師データが、学習モデル生成部４５に取得されている。
　上記のような、画像データ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部４５は、学習モデル４６から、異常所見無状態の未病として、誤嚥性肺炎の前段状態であることを示す診断データが出力されるように、学習モデル４６に学習させる。

（７）誤嚥性肺炎の症状と思われる顕著な症状が記録されていない介護データが、学習モデル生成部４５に取得されている。
　また、食事中の姿勢が食事に不向きな姿勢であることを示し、かつ、食事中の咳き込み音が録音されている画像データであるログが、学習モデル生成部４５に取得されている。
　また、二酸化炭素濃度が基準濃度よりも高いことを示す環境データが、学習モデル生成部４５に取得されている。
　さらに、誤嚥性肺炎の前段状態ではないことを示す教師データが、学習モデル生成部４５に取得されている。
　上記のような、画像データ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部４５は、学習モデル４６から、誤嚥性肺炎の前段状態ではないことを示す診断データが出力されるように、学習モデル４６に学習させる。

（８）誤嚥性肺炎の症状と思われる顕著な症状が記録されていない介護データが、学習モデル生成部４５に取得されている。
　また、食事中の咳き込み音が録音されていない画像データであるログ、あるいは、食事中に咳き込むことがある旨の記録がない介護データが、学習モデル生成部４５に取得されている。
　また、二酸化炭素濃度を示す環境データが、学習モデル生成部４５に取得されている。
　さらに、誤嚥性肺炎の前段状態ではないことを示す教師データが、学習モデル生成部４５に取得されている。
　上記のような、画像データ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部４５は、学習モデル４６から、誤嚥性肺炎の前段状態ではないことを示す診断データが出力されるように、学習モデル４６に学習させる。

（９）歩行障害と思われる顕著な症状が記録されていない介護データが、学習モデル生成部４５に取得されている。
　また、歩行の状態が明らかな異常であることを表していないが、歩行の状態が劣化していることを示している歩行ログが、学習モデル生成部４５に取得されている。
　また、歩行中に障害物が存在していなかったことを示す環境データが、学習モデル生成部４５に取得されている。
　さらに、歩行障害の前段状態であることを示す教師データが、学習モデル生成部４５に取得されている。
　上記のような、歩行ログ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部４５は、学習モデル４６から、異常所見無状態の未病として、歩行障害の前段状態であることを示す診断データが出力されるように、学習モデル４６に学習させる。

（１０）学習モデル生成部４５に以前取得された介護データには、歩行障害と思われる顕著な症状が記録されていない。学習モデル生成部４５に以前取得された歩行ログは、歩行の状態が明らかな異常であることを表していない。
　学習モデル生成部４５に最近取得された介護データには、歩行障害と思われる顕著な症状が介護データに記録されている。あるいは、学習モデル生成部４５に最近取得された歩行ログは、歩行の状態が明らかな異常であることを表している。
　また、歩行中に障害物が存在していなかったことを示す環境データが、学習モデル生成部４５に取得されている。
　さらに、歩行障害の前段状態であることを示す教師データが、学習モデル生成部４５に取得されている。
　上記のような、歩行ログ、介護データ及び教師データが得られている場合、学習モデル生成部４５は、学習モデル４６から、異常所見有状態の未病として、歩行障害の前段状態であることを示す診断データが出力されるように、学習モデル４６に学習させる。

（１１）歩行障害と思われる顕著な症状が記録されていない介護データが、学習モデル生成部４５に取得されている。
　また、歩行の状態が明らかな異常であることを表していないが、歩行の状態が劣化していることを示している歩行ログが、学習モデル生成部４５に取得されている。
　また、歩行中に障害物が存在していたことを示す環境データが、学習モデル生成部４５に取得されている。
　さらに、歩行障害の前段状態ではないことを示す教師データが、学習モデル生成部４５に取得されている。
　上記のような、歩行ログ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部４５は、学習モデル４６から、歩行障害の前段状態ではないことを示す診断データが出力されるように、学習モデル４６に学習させる。

（１２）歩行障害と思われる顕著な症状が記録されていない介護データが、学習モデル生成部４５に取得されている。また、診断対象者の歩行量が、オーバーワークが想定される歩行量を超えていることを示す介護データが、学習モデル生成部４５に取得されている。
　また、歩行の状態が明らかな異常であることを表していないが、歩行の状態が劣化していることを示している歩行ログが、学習モデル生成部４５に取得されている。
　また、障害物の有無等を示す環境データが、学習モデル生成部４５に取得されている。
　さらに、歩行障害の前段状態ではないことを示す教師データが、学習モデル生成部４５に取得されている。
　上記のような、歩行ログ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部４５は、学習モデル４６から、歩行障害の前段状態ではないことを示す診断データが出力されるように、学習モデル４６に学習させる。

（１３）認知症の症状と思われる顕著な症状が記録されていない介護データが、学習モデル生成部４５に取得されている。
　また、機器の誤操作の頻度が低くても、同じ誤操作が所定回数繰り返していることを示している操作ログ、又は、機器の誤操作の頻度が低くても、同じ誤操作が所定回数繰り返していることが記録されている介護データが、学習モデル生成部４５に取得されている。
　また、熱中症を発症する可能性がある危険な温度ではないことを示す環境データが、学習モデル生成部４５に取得されている。
　さらに、認知症の前段状態であることを示す教師データが、学習モデル生成部４５に取得されている。
　上記のような、操作ログ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部４５は、学習モデル４６から、異常所見有状態の未病として、認知症の前段状態であることを示す診断データが出力されるように、学習モデル４６に学習させる。

（１４）認知症の症状と思われる顕著な症状が記録されていない介護データが、学習モデル生成部４５に取得されている。
　また、機器の誤操作の頻度が高くても、同じ誤操作が所定回数繰り返していないことを示している操作ログ、又は、機器の誤操作の頻度が高くても、同じ誤操作が所定回数繰り返していないことが記録されている介護データが、学習モデル生成部４５に取得されている。
　また、周囲の環境の温度を示す環境データが、学習モデル生成部４５に取得されている。
　さらに、認知症の前段状態ではないことを示す教師データが、学習モデル生成部４５に取得されている。
　上記のような、操作ログ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部４５は、学習モデル４６から、認知症の前段状態ではないことを示す診断データが出力されるように、学習モデル４６に学習させる。

（１５）認知症の症状と思われる顕著な症状が記録されていない介護データが、学習モデル生成部４５に取得されている。
　また、機器の誤操作の頻度が高くても、同じ誤操作が所定回数繰り返していないことを示している操作ログ、又は、機器の誤操作の頻度が高くても、同じ誤操作が所定回数繰り返していないことが記録されている介護データが、学習モデル生成部４５に取得されている。
　また、熱中症を発症する可能性がある危険な温度であることを示す環境データが、学習モデル生成部４５に取得されている。このとき、エアコンの冷房モードの運転操作を示す操作ログが、学習モデル生成部４５に取得されていない。危険な温度である場合、認知症の前段状態でなければ、診断対象者が冷房モードの運転操作を行うことが想定される。一方、危険な温度であるときに、診断対象者が冷房モードの運転操作を行わない場合、認知症の前段状態である可能性が高い。
　さらに、認知症の前段状態であることを示す教師データが、学習モデル生成部４５に取得されている。
　上記のような、操作ログ、介護データ、環境データ及び教師データが得られている場合、学習モデル生成部４５は、学習モデル４６から、異常所見有状態の未病として、認知症の前段状態であることを示す診断データが出力されるように、学習モデル４６に学習させる。

　学習モデル生成部４５は、学習済みの学習モデル４６を図１１に示す未病診断装置１の未病診断部１６に与える。

　以上の実施の形態２では、データ取得部４４が、未病の診断対象者における身体の変化を示すログを取得し、未病の診断対象者に対する介護内容を示す介護データを取得し、未病の診断対象者の周囲の環境を示す環境データを取得し、診断対象者に生じている可能性の有る未病を示す教師データ、又は、未病ではないことを示す教師データを取得する。そして、学習モデル生成部４５が、データ取得部４４により取得されたログ、介護データ、環境データ及び教師データのそれぞれを用いて、診断対象者に生じる可能性の有る未病を学習し、未病の診断対象者における身体の変化を示すログと、未病の診断対象者に対する介護内容を示す介護データと、未病の診断対象者の周囲の環境を示す環境データとが与えられると、診断対象者に生じている可能性の有る未病を示す診断データを出力する学習モデル４６を生成するように、図１３に示す学習モデル生成装置３を構成した。したがって、図１３に示す学習モデル生成装置３は、図４に示す学習モデル生成装置３よりも、未病の診断精度を高めることができる学習モデル４６を提供することができる。

実施の形態３．
　実施の形態３では、診断対象者の周囲の環境が、正常な環境であるのか、異常な環境であるのかを判定する判定部１８を備える未病診断装置１について説明する。

　図１６は、実施の形態３に係る未病診断装置１を示す構成図である。
　図１７は、実施の形態３に係る未病診断装置１のハードウェアを示すハードウェア構成図である。図１６及び図１７において、図１、図２、図１１及び図１２と同一符号は同一又は相当部分を示すので説明を省略する。
　図１６に示す未病診断装置１は、ログ取得部１１、介護データ取得部１２、環境データ取得部１５、未病診断部１６、表示処理部１４、バイタルデータ取得部１７及び判定部１８を備えている。
　図１６に示す未病診断装置１では、バイタルデータ取得部１７及び判定部１８が、図１１に示す未病診断装置１に適用されている。しかし、これは一例に過ぎず、バイタルデータ取得部１７及び判定部１８が、図１に示す未病診断装置１に適用されているものであってもよい。

　バイタルデータ取得部１７は、例えば、図１７に示すバイタルデータ取得回路２７によって実現される。
　バイタルデータ取得部１７は、診断対象者のバイタルを示すバイタルデータ、あるいは、診断対象者を介護するスタッフのバイタルを示すバイタルデータを取得する。
　バイタルデータ取得部１７は、バイタルデータを判定部１８に出力する。

　判定部１８は、例えば、図１７に示す判定回路２８によって実現される。
　判定部１８は、診断対象者の周囲の正常な環境と異常な環境との境界を示す境界データと、環境データ取得部１５により取得された環境データとを比較する。判定部１８は、環境データ取得部１５により取得された環境データが、例えば、温度を示すデータであれば、周囲の正常な温度と異常な温度との境界を示す境界データを取得する。境界データとしては、例えば、熱中症の予防を目的とする場合、３２度程度の温度を示すデータが考えられる。境界データとしては、例えば、低体温症の予防を目的とする場合、８度程度の温度を示すデータが考えられる。境界データとしては、例えば、二酸化炭素中毒の予防を目的とする場合、３％程度の二酸化炭素濃度を示すデータが考えられる。境界データは、判定部１８の内部メモリに格納されていてもよいし、未病診断装置１の外部から与えられるものであってもよい。
　判定部１８は、境界データと環境データとの比較結果に基づいて、診断対象者の周囲の環境が、正常な環境であるのか、異常な環境であるのかを判定する。

　また、判定部１８は、バイタルデータ取得部１７により取得された診断対象者のバイタルを示すバイタルデータと閾値Ｔｈ_１とを比較し、バイタルデータと閾値Ｔｈ_１との比較結果に基づいて、診断対象者のバイタルが、正常であるのか、異常であるのかを判定する。
　また、判定部１８は、バイタルデータ取得部１７により取得されたスタッフのバイタルを示すバイタルデータと閾値Ｔｈ_２とを比較し、バイタルデータと閾値Ｔｈ_２との比較結果に基づいて、スタッフのバイタルが、正常であるのか、異常であるのかを判定する。
　判定部１８は、正常であるのか、異常であるのかを示す判定結果を表示処理部１４に出力する。
　閾値Ｔｈ_１，Ｔｈ_２は、判定部１８の内部メモリに格納されていてもよいし、未病診断装置１の外部から与えられるものであってもよい。閾値Ｔｈ_１と閾値Ｔｈ_２とは、同じ値であってもよいし、互いに異なる値であってもよい。

　図１６では、未病診断装置１の構成要素であるログ取得部１１、介護データ取得部１２、環境データ取得部１５、未病診断部１６、表示処理部１４、バイタルデータ取得部１７及び判定部１８のそれぞれが、図１７に示すような専用のハードウェアによって実現されるものを想定している。即ち、未病診断装置１が、ログ取得回路２１、介護データ取得回路２２、環境データ取得回路２５、未病診断回路２６、表示処理回路２４、バイタルデータ取得回路２７及び判定回路２８によって実現されるものを想定している。
　ログ取得回路２１、介護データ取得回路２２、環境データ取得回路２５、未病診断回路２６、表示処理回路２４、バイタルデータ取得回路２７及び判定回路２８のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又は、これらを組み合わせたものが該当する。

　未病診断装置１の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、未病診断装置１が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
　未病診断装置１が、ソフトウェア又はファームウェア等によって実現される場合、ログ取得部１１、介護データ取得部１２、環境データ取得部１５、未病診断部１６、表示処理部１４、バイタルデータ取得部１７及び判定部１８におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図３に示すメモリ３１に格納される。そして、図３に示すプロセッサ３２がメモリ３１に格納されているプログラムを実行する。

　また、図１７では、未病診断装置１の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図３では、未病診断装置１がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、未病診断装置１における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。

　次に、図１６に示す未病診断装置１の動作について説明する。
　バイタルデータ取得部１７及び判定部１８以外は、図１１に示す未病診断装置１と同様であるため、ここでは、主に、バイタルデータ取得部１７及び判定部１８の動作について説明する。
　バイタルデータ取得部１７は、診断対象者に取り付けられているバイタルセンサから、診断対象者のバイタルを示すバイタルデータを取得する。
　また、バイタルデータ取得部１７は、診断対象者を介護するスタッフに取り付けられているバイタルセンサから、スタッフのバイタルを示すバイタルデータを取得する。
　バイタルデータ取得部１７は、バイタルデータを判定部１８に出力する。
　図１６に示す未病診断装置１では、バイタルデータ取得部１７が、バイタルセンサからバイタルデータを取得している。しかし、これは一例に過ぎず、バイタルデータ取得部１７が、診断対象者のバイタル、又は、スタッフのバイタルを管理しているコンピュータ等から、バイタルデータを取得するようにしてもよい。

　判定部１８は、環境データ取得部１５から環境データを取得する。
　判定部１８は、内部メモリ等に格納している境界データと、環境データ取得部１５により取得された環境データとを比較する。
　判定部１８は、境界データと環境データとの比較結果に基づいて、診断対象者の周囲の環境が、正常な環境であるのか、異常な環境であるのかを判定する。
　例えば、熱中症の予防を目的として、３２度程度の温度を示す境界データが、内部メモリ等に格納されているとき、環境データが示す温度が境界データ以上であれば、判定部１８は、診断対象者の周囲の環境が、異常な環境であると判定する。環境データが示す温度が境界データ未満であれば、判定部１８は、診断対象者の周囲の環境が、正常な環境であると判定する。
　例えば、低体温症の予防を目的として、８度程度の温度を示す境界データが、内部メモリ等に格納されているとき、環境データが示す温度が境界データ以下であれば、判定部１８は、診断対象者の周囲の環境が、異常な環境であると判定する。環境データが示す温度が境界データを上回っていれば、判定部１８は、診断対象者の周囲の環境が、正常な環境であると判定する。
　例えば、二酸化炭素中毒の予防を目的として、３％程度の二酸化炭素濃度を示す境界データが、内部メモリ等に格納されているとき、環境データが示す二酸化炭素濃度が境界データ以上であれば、判定部１８は、診断対象者の周囲の環境が、異常な環境であると判定する。環境データが示す二酸化炭素濃度が境界データ未満であれば、判定部１８は、診断対象者の周囲の環境が、正常な環境であると判定する。
　判定部１８は、診断対象者の周囲の環境が、正常であるのか、異常であるのかを示す判定結果を表示処理部１４に出力する。

　表示処理部１４は、判定部１８から、診断対象者の周囲の環境が、正常であるのか、異常であるのかを示す判定結果を取得する。
　表示処理部１４は、取得した判定結果に基づいて、異常を生じている箇所を表示するための表示データを生成する。異常を生じている箇所は、環境データに含まれている位置データが示すセンサの設置位置である。
　表示処理部１４は、表示データを表示装置２に出力する。
　表示装置２は、表示処理部１４から出力された表示データに従って、異常を生じている箇所を画面に表示する。
　図１８は、施設内において、異常を生じている箇所の一例を示す説明図である。
　図１８において、“高温注意”が表記されている箇所は、環境データが示す温度が、境界データが示す温度よりも高温になっている異常環境の位置を示している。
　“低温注意”が表記されている箇所は、環境データが示す温度が、境界データが示す温度よりも低温になっている異常環境の位置を示している。
　“二酸化炭素注意”が表記されている箇所は、環境データが示す二酸化炭素濃度が、境界データが示す二酸化炭素濃度よりも高くなっている異常環境の位置を示している。
　図１８の例では、施設内の１０６号室、１０９号室及び１１０号室におけるそれぞれの温度が高温になっている。施設内の１０７号室の温度が低温になっている。施設内の１０２号室の二酸化炭素濃度が高くなっている。

　判定部１８は、バイタルデータ取得部１７から、診断対象者のバイタルを示すバイタルデータを取得する。
　判定部１８は、診断対象者のバイタルを示すバイタルデータと閾値Ｔｈ_１とを比較する。
　判定部１８は、バイタルデータと閾値Ｔｈ_１との比較結果に基づいて、診断対象者のバイタルが、正常であるのか、異常であるのかを判定する。
　例えば、バイタルデータが血圧を示すデータであり、閾値Ｔｈ_１として、正常血圧と高血圧との境界を示す血圧が、内部メモリ等に格納されているとき、バイタルデータが閾値Ｔｈ_１以上であれば、判定部１８は、診断対象者のバイタルが異常であると判定する。バイタルデータが閾値Ｔｈ_１未満であれば、判定部１８は、診断対象者のバイタルが正常であると判定する。
　例えば、バイタルデータが心拍数を示すデータであり、閾値Ｔｈ_１として、正常な心拍数の上限値が、内部メモリ等に格納されているとき、バイタルデータが閾値Ｔｈ_１以上であれば、判定部１８は、診断対象者のバイタルが異常であると判定する。バイタルデータが閾値Ｔｈ_１未満であれば、判定部１８は、診断対象者のバイタルが正常であると判定する。
　判定部１８は、診断対象者のバイタルが、正常であるのか、異常であるのかを示す判定結果を表示処理部１４に出力する。

　表示処理部１４は、判定部１８から、診断対象者のバイタルが、正常であるのか、異常であるのかを示す判定結果を取得する。
　表示処理部１４は、取得した判定結果に基づいて、バイタルが異常である診断対象者を表示するための表示データを生成する。
　表示処理部１４は、表示データを表示装置２に出力する。
　表示装置２は、表示処理部１４から出力された表示データに従って、バイタルが異常である診断対象者を画面に表示する。
　図１９は、バイタルが異常である診断対象者の一覧を示す説明図である。
　図１９の例では、施設内の１０３号室、１０７号室及び１１０号室のそれぞれに居住している診断対象者にバイタルの異常があることを示している。
　図１９において、“血圧上昇”は、診断対象者の血圧が正常な血圧の上限値以上であることを示し、“心拍上昇”は、診断対象者の心拍数が正常な心拍数の上限値以上であることを示している。

　判定部１８は、バイタルデータ取得部１７から、スタッフのバイタルを示すバイタルデータを取得する。
　判定部１８は、スタッフのバイタルを示すバイタルデータと閾値Ｔｈ_２とを比較する。
　判定部１８は、バイタルデータと閾値Ｔｈ_２との比較結果に基づいて、スタッフのバイタルが、正常であるのか、異常であるのかを判定する。
　判定部１８は、スタッフのバイタルが、正常であるのか、異常であるのかを示す判定結果を表示処理部１４に出力する。

　表示処理部１４は、判定部１８から、スタッフのバイタルが、正常であるのか、異常であるのかを示す判定結果を取得する。
　表示処理部１４は、取得した判定結果に基づいて、バイタルが異常であるスタッフを表示するための表示データを生成する。
　表示処理部１４は、表示データを表示装置２に出力する。
　表示装置２は、表示処理部１４から出力された表示データに従って、バイタルが異常であるスタッフを画面に表示する。例えば、バイタルが異常であるスタッフの氏名と、異常なバイタルの項目とを画面に表示する。

　ここでは、表示装置２が、バイタルが異常であるスタッフの氏名と、異常なバイタルの項目とを画面に表示する例を示している。しかし、これは一例に過ぎず、例えば、スタッフがＧＰＳ（Ｇｌｏｂａｌ　Ｐｏｓｉｔｉｏｎｉｎｇ　Ｓｙｓｔｅｍ）センサを携帯していれば、表示処理部１４が、ＧＰＳセンサから出力された位置情報に基づいて、スタッフの位置を特定し、スタッフの位置をマップ上に表示するための表示データを生成するようにしてもよい。これにより、バイタルに異常が生じているスタッフが、何処に居るのかを確認することができる。
　また、表示処理部１４が、スタッフの位置と一緒に、介護データ取得部１２により取得された介護データが示す介護内容を表示するための表示データを生成するようにしてもよい。これにより、スタッフが、何処で、どのような介護を行っているのかを確認することができる。
　また、表示処理部１４が、スタッフによる介護内容の履歴を一覧表に表示するための表示データを生成するようにしてもよい。これにより、スタッフによる介護内容を容易に確認することができる。

　以上の実施の形態３では、診断対象者の周囲の正常な環境と異常な環境との境界を示す境界データと、環境データ取得部１５により取得された環境データとを比較し、境界データと環境データとの比較結果に基づいて、診断対象者の周囲の環境が、正常な環境であるのか、異常な環境であるのかを判定する判定部１８を備えるように、図１６に示す未病診断装置１を構成した。したがって、図１６に示す未病診断装置１は、図１に示す未病診断装置１と同様に、異常所見無状態の未病を診断することができるほか、診断対象者の周囲の環境が、正常であるのか、異常であるのかを確認することができる。

　以上の実施の形態３では、診断対象者のバイタルを示すバイタルデータを取得するバイタルデータ取得部１７と、バイタルデータ取得部１７により取得されたバイタルデータと閾値とを比較し、バイタルデータと閾値との比較結果に基づいて、診断対象者のバイタルが、正常であるのか、異常であるのかを判定する判定部１８とを備えるように、図１６に示す未病診断装置１を構成した。したがって、図１６に示す未病診断装置１は、診断対象者のバイタルが、正常であるのか、異常であるのかを確認することができる。

　以上の実施の形態３では、診断対象者を介護するスタッフのバイタルを示すバイタルデータを取得するバイタルデータ取得部１７と、バイタルデータ取得部１７により取得されたバイタルデータと閾値とを比較し、バイタルデータと閾値との比較結果に基づいて、スタッフのバイタルが、正常であるのか、異常であるのかを判定する判定部１８とを備えるように、図１６に示す未病診断装置１を構成した。したがって、図１６に示す未病診断装置１は、スタッフのバイタルが、正常であるのか、異常であるのかを確認することができる。

実施の形態４．
　実施の形態４では、診断対象者の周囲の環境を観測する複数のセンサが設置されている位置等を表示させるための表示データを生成する表示データ生成部１９を備える未病診断装置１について説明する。

　図２０は、実施の形態４に係る未病診断装置１を示す構成図である。
　図２１は、実施の形態４に係る未病診断装置１のハードウェアを示すハードウェア構成図である。図２０及び図２１において、図１、図２、図１１、図１２、図１６及び図１７と同一符号は同一又は相当部分を示すので説明を省略する。
　図２０に示す未病診断装置１は、ログ取得部１１、介護データ取得部１２、環境データ取得部１５、未病診断部１６、表示処理部１４、バイタルデータ取得部１７、判定部１８及び表示データ生成部１９を備えている。
　図２０に示す未病診断装置１では、表示データ生成部１９が、図１６に示す未病診断装置１に適用されている。しかし、これは一例に過ぎず、表示データ生成部１９が、図１に示す未病診断装置１、又は、図１１に示す未病診断装置１に適用されているものであってもよい。

　環境データ取得部１５は、診断対象者の周囲の環境を観測する複数のセンサ１５ａ－１，・・・，１５ａ－Ｎのそれぞれから、環境の観測結果を示す環境データを取得する。Ｎは、２以上の整数である。
　センサ１５ａ－ｎ（ｎ＝１，・・・，Ｎ）としては、室温センサ、湿度センサ、照度センサ、気圧センサ、二酸化炭素センサ、汚染観測センサ、臭いセンサ、又は、監視カメラ等が該当する。

　表示データ生成部１９は、例えば、図２１に示す表示データ生成回路２９によって実現される。
　表示データ生成部１９は、センサ１５ａ－ｎが設置されている位置と、センサ１５ａ－ｎから出力された環境データとを画面に表示させるための表示データを生成する。
　表示データ生成部１９は、表示データを表示装置２に出力する。

　図２０では、未病診断装置１の構成要素であるログ取得部１１、介護データ取得部１２、環境データ取得部１５、未病診断部１６、表示処理部１４、バイタルデータ取得部１７、判定部１８及び表示データ生成部１９のそれぞれが、図２１に示すような専用のハードウェアによって実現されるものを想定している。即ち、未病診断装置１が、ログ取得回路２１、介護データ取得回路２２、環境データ取得回路２５、未病診断回路２６、表示処理回路２４、バイタルデータ取得回路２７、判定回路２８及び表示データ生成回路２９によって実現されるものを想定している。
　ログ取得回路２１、介護データ取得回路２２、環境データ取得回路２５、未病診断回路２６、表示処理回路２４、バイタルデータ取得回路２７、判定回路２８及び表示データ生成回路２９のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又は、これらを組み合わせたものが該当する。

　未病診断装置１の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、未病診断装置１が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
　未病診断装置１が、ソフトウェア又はファームウェア等によって実現される場合、ログ取得部１１、介護データ取得部１２、環境データ取得部１５、未病診断部１６、表示処理部１４、バイタルデータ取得部１７、判定部１８及び表示データ生成部１９におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図３に示すメモリ３１に格納される。そして、図３に示すプロセッサ３２がメモリ３１に格納されているプログラムを実行する。

　次に、図２０に示す未病診断装置１の動作について説明する。
　表示データ生成部１９以外は、図１６に示す未病診断装置１と同様であるため、ここでは、主に、表示データ生成部１９の動作について説明する。
　表示データ生成部１９は、環境データ取得部１５が備えているセンサ１５ａ－ｎから出力される環境データを取得する。環境データには、センサ１５ａ－ｎの設置位置を示す位置データが含まれている。
　図２０に示す未病診断装置１では、環境データが、センサ１５ａ－ｎの設置位置を示す位置データを含んでいる。しかし、これは一例に過ぎず、表示データ生成部１９の内部メモリが、センサ１５ａ－ｎの設置位置を示す位置データを格納していてもよい。
　表示データ生成部１９は、センサ１５ａ－ｎが設置されている位置と、センサ１５ａ－ｎから出力された環境データとを画面に表示させるための表示データを生成する。
　表示データ生成部１９は、表示データを表示装置２に出力する。

　表示装置２は、表示データ生成部１９から出力された表示データに従って、図２２に示すように、センサ１５ａ－ｎが設置されている位置と、センサ１５ａ－ｎから出力される環境データとを画面に表示させる。
　図２２は、センサ１５ａ－ｎが設置されている位置と、センサ１５ａ－ｎから出力された環境データとの表示例を示す説明図である。
　図２２において、“●”は、センサ１５ａ－ｎが設置されている位置を示し、“△△”は、センサ１５ａ－ｎから出力される環境データを示している。

　以上の実施の形態４では、環境データ取得部１５が、診断対象者の周囲の環境を観測する複数のセンサ１５ａ－１～１５ａ－Ｎのそれぞれから、環境の観測結果を示す環境データを取得し、それぞれのセンサ１５ａ－ｎが設置されている位置と、それぞれのセンサ１５ａ－ｎから出力された環境データとを画面に表示させるための表示データを生成する表示データ生成部１９を備えるように、図２０に示す未病診断装置１を構成した。したがって、図２０に示す未病診断装置は、図１に示す未病診断装置と同様に、異常所見無状態の未病を診断することができるほか、センサ１５ａ－ｎが設置されている位置と、センサ１５ａ－ｎから出力された環境データとを確認することができる。

実施の形態５．
　実施の形態５では、骨格解析部７１から出力された骨格データに従って、診断対象者の骨格の動きを画面に表示させるための表示データを生成する表示データ生成部７２を備える未病診断装置１について説明する。

　図２３は、実施の形態５に係る未病診断装置１を示す構成図である。
　図２４は、実施の形態５に係る未病診断装置１のハードウェアを示すハードウェア構成図である。図２３及び図２４において、図１、図２、図１１、図１２、図１６、図１７、図２０及び図２１と同一符号は同一又は相当部分を示すので説明を省略する。
　図２３に示す未病診断装置１は、ログ取得部１１、介護データ取得部１２、環境データ取得部１５、未病診断部１６、表示処理部１４、バイタルデータ取得部１７、判定部１８、骨格解析部７１及び表示データ生成部７２を備えている。
　図２３に示す未病診断装置１では、骨格解析部７１及び表示データ生成部７２が、図２０に示す未病診断装置１に適用されている。しかし、これは一例に過ぎず、骨格解析部７１及び表示データ生成部７２が、図１に示す未病診断装置１、図１１に示す未病診断装置１、又は、図１６に示す未病診断装置１に適用されているものであってもよい。

　図２３に示す未病診断装置１では、ログ取得部１１が、診断対象者における身体の変化を示すログとして、診断対象者を撮影しているカメラの映像データを取得する。
　骨格解析部７１は、例えば、図２４に示す骨格解析回路８１によって実現される。
　骨格解析部７１は、ログ取得部１１により取得された映像データから診断対象者の骨格の動きを解析する。骨格の動きを解析して、骨格の動きを示す骨格データを生成する処理自体は、公知の技術であるため詳細な説明を省略する。
　骨格解析部７１は、診断対象者の骨格の動きを示す骨格データを表示データ生成部７２に出力する。

　表示データ生成部７２は、例えば、図２４に示す表示データ生成回路８２によって実現される。
　表示データ生成部７２は、図２０に示す表示データ生成部１９と同様に、センサ１５ａ－ｎが設置されている位置と、センサ１５ａ－ｎから出力された環境データとを画面に表示させるための表示データを生成する。
　また、表示データ生成部７２は、骨格解析部７１から出力された骨格データに従って、診断対象者の骨格の動きを画面に表示させるための表示データを生成する。
　表示データ生成部７２は、表示データを表示装置２に出力する。

　図２３では、未病診断装置１の構成要素であるログ取得部１１、介護データ取得部１２、環境データ取得部１５、未病診断部１６、表示処理部１４、バイタルデータ取得部１７、判定部１８、骨格解析部７１及び表示データ生成部７２のそれぞれが、図２４に示すような専用のハードウェアによって実現されるものを想定している。即ち、未病診断装置１が、ログ取得回路２１、介護データ取得回路２２、環境データ取得回路２５、未病診断回路２６、表示処理回路２４、バイタルデータ取得回路２７、判定回路２８、骨格解析回路８１及び表示データ生成回路８２によって実現されるものを想定している。
　ログ取得回路２１、介護データ取得回路２２、環境データ取得回路２５、未病診断回路２６、表示処理回路２４、バイタルデータ取得回路２７、判定回路２８、骨格解析回路８１及び表示データ生成回路８２のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又は、これらを組み合わせたものが該当する。

　未病診断装置１の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、未病診断装置１が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
　未病診断装置１が、ソフトウェア又はファームウェア等によって実現される場合、ログ取得部１１、介護データ取得部１２、環境データ取得部１５、未病診断部１６、表示処理部１４、バイタルデータ取得部１７、判定部１８、骨格解析部７１及び表示データ生成部７２におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図３に示すメモリ３１に格納される。そして、図３に示すプロセッサ３２がメモリ３１に格納されているプログラムを実行する。

　次に、図２３に示す未病診断装置１の動作について説明する。
　骨格解析部７１及び表示データ生成部７２以外は、図２０に示す未病診断装置１と同様であるため、ここでは、主に、骨格解析部７１及び表示データ生成部７２の動作について説明する。
　ログ取得部１１は、診断対象者を撮影しているカメラの映像データを取得し、カメラの映像データを骨格解析部７１に出力する。

　骨格解析部７１は、ログ取得部１１からカメラの映像データを取得する。
　骨格解析部７１は、カメラの映像データから診断対象者の骨格の動きを解析し、骨格の動きを示す骨格データを生成する。
　骨格解析部７１は、診断対象者の骨格の動きを示す骨格データを表示データ生成部７２に出力する。

　表示データ生成部７２は、骨格解析部７１から骨格データを取得する。
　表示データ生成部７２は、骨格データに従って、診断対象者の骨格の動きを画面に表示させるための表示データを生成する。
　表示データ生成部１９は、表示データを表示装置２に出力する。

　表示装置２は、表示データ生成部１９から出力された表示データに従って、図２５に示すように、診断対象者の骨格の動きを画面に表示させる。
　図２５は、診断対象者の骨格の動きを示す説明図である。
　図２５の例は、時刻がｔ＝１、ｔ＝２，ｔ＝３での診断対象者の骨格を示している。ｔ＝１では、診断対象者が正常に歩行しているが、ｔ＝２では、診断対象者が転びかけており、ｔ＝３では、診断対象者が転んでいる。

　以上の実施の形態５では、ログ取得部１１が、診断対象者における身体の変化を示すログとして、診断対象者を撮影しているカメラの映像データを取得し、ログ取得部１１により取得された映像データから診断対象者の骨格の動きを解析し、診断対象者の骨格の動きを示す骨格データを出力する骨格解析部７１と、骨格解析部７１から出力された骨格データに従って、診断対象者の骨格の動きを画面に表示させるための表示データを生成する表示データ生成部７２とを備えるように、図２３に示す未病診断装置１を構成した。したがって、図２３に示す未病診断装置は、図１に示す未病診断装置と同様に、異常所見無状態の未病を診断することができるほか、診断対象者の骨格の動きを確認することができる。

実施の形態６．
　実施の形態６では、ログ取得部１１により取得されたログが示す睡眠の状態変化と、環境データ取得部１５により取得された環境データが示すエアコンの運転状況とを画面に表示させるための表示データを生成する表示データ生成部７３を備える未病診断装置１について説明する。

　図２６は、実施の形態６に係る未病診断装置１を示す構成図である。
　図２７は、実施の形態６に係る未病診断装置１のハードウェアを示すハードウェア構成図である。図２６及び図２７において、図１、図２、図１１、図１２、図１６、図１７、図２０、図２１、図２３及び図２４と同一符号は同一又は相当部分を示すので説明を省略する。
　図２６に示す未病診断装置１は、ログ取得部１１、介護データ取得部１２、環境データ取得部１５、未病診断部１６、表示処理部１４及び表示データ生成部７３を備えている。
　図２６に示す未病診断装置１では、表示データ生成部７３が、図１１に示す未病診断装置１に適用されている。しかし、これは一例に過ぎず、表示データ生成部７３が、図１に示す未病診断装置１、図１６に示す未病診断装置１、図２０に示す未病診断装置１、又は、図２３に示す未病診断装置１に適用されているものであってもよい。

　図２６に示す未病診断装置１では、ログ取得部１１が、診断対象者における身体の変化を示すログとして、診断対象者における睡眠の状態変化を示す睡眠ログを取得する。
　図２６に示す未病診断装置１では、環境データ取得部１５が、診断対象者の周囲の環境を示す環境データとして、エアコンの運転状況を示す環境データを取得する。

　表示データ生成部７３は、例えば、図２７に示す表示データ生成回路８３によって実現される。
　表示データ生成部７３は、ログ取得部１１により取得された睡眠ログが示す睡眠の状態変化と、環境データ取得部１５により取得された環境データが示すエアコンの運転状況とを画面に表示させるための表示データを生成する。
　表示データ生成部７３は、表示データを表示装置２に出力する。

　図２６では、未病診断装置１の構成要素であるログ取得部１１、介護データ取得部１２、環境データ取得部１５、未病診断部１６、表示処理部１４及び表示データ生成部７３のそれぞれが、図２７に示すような専用のハードウェアによって実現されるものを想定している。即ち、未病診断装置１が、ログ取得回路２１、介護データ取得回路２２、環境データ取得回路２５、未病診断回路２６、表示処理回路２４及び表示データ生成回路８３によって実現されるものを想定している。
　ログ取得回路２１、介護データ取得回路２２、環境データ取得回路２５、未病診断回路２６、表示処理回路２４及び表示データ生成回路８３のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又は、これらを組み合わせたものが該当する。

　未病診断装置１の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、未病診断装置１が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
　未病診断装置１が、ソフトウェア又はファームウェア等によって実現される場合、ログ取得部１１、介護データ取得部１２、環境データ取得部１５、未病診断部１６、表示処理部１４及び表示データ生成部７３におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図３に示すメモリ３１に格納される。そして、図３に示すプロセッサ３２がメモリ３１に格納されているプログラムを実行する。

　次に、図２６に示す未病診断装置１の動作について説明する。
　表示データ生成部７３以外は、図１１に示す未病診断装置１と同様であるため、ここでは、主に、表示データ生成部７３の動作について説明する。
　図２６に示す未病診断装置１では、ログ取得部１１が、診断対象者における身体の変化を示すログとして、診断対象者における睡眠の状態変化を示す睡眠ログを取得する。
　ログ取得部１１は、睡眠ログを表示データ生成部７３に出力する。
　環境データ取得部１５は、診断対象者の周囲の環境を示す環境データとして、エアコンの運転状況を示す環境データを取得する。
　環境データ取得部１５は、エアコンの運転状況を示す環境データを表示データ生成部７３に出力する。

　表示データ生成部７３は、ログ取得部１１から睡眠ログを取得し、環境データ取得部１５からエアコンの運転状況を示す環境データを取得する。
　表示データ生成部７３は、図２８に示すように、睡眠ログが示す睡眠の状態変化を示す睡眠トラッカーと、環境データが示すエアコンの運転状況とを画面に表示させるための表示データを生成する。
　表示データ生成部７３は、表示データを表示装置２に出力する。

　表示装置２は、表示データ生成部７３から出力された表示データに従って、睡眠の状態変化とエアコンの運転状況とを画面に表示させる。
　図２８は、睡眠の状態変化とエアコンの運転状況とを示す説明図である。
　図２８の例は、複数の診断対象者のうち、１０１号室の「〇△〇様」の睡眠の状態変化を示す睡眠トラッカーと、１０１号室のエアコンの運転状況とを示している。

　以上の実施の形態６では、ログ取得部１１が、診断対象者における身体の変化を示すログとして、診断対象者における睡眠の状態変化を示すログを取得し、環境データ取得部１５が、診断対象者の周囲の環境を示す環境データとして、エアコンの運転状況を示す環境データを取得し、ログ取得部１１により取得されたログが示す睡眠の状態変化と、環境データ取得部１５により取得された環境データが示すエアコンの運転状況とを画面に表示させるための表示データを生成する表示データ生成部７３を備えるように、図２６に示す未病診断装置１を構成した。したがって、図２６に示す未病診断装置は、図１に示す未病診断装置と同様に、異常所見無状態の未病を診断することができるほか、診断対象者における睡眠の状態変化とエアコンの運転状況との関係を確認することができる。

　図１１、図１６、図２０、図２３、又は、図２６に示す未病診断装置は、ログ取得部１１及び環境データ取得部１５を備えている。当該未病診断装置が、図示せぬデータ送信部を備え、当該データ送信部が、ログ取得部１１により取得されたログ及び環境データ取得部１５により取得された環境データのそれぞれを外部装置に送信するようにしてもよい。外部装置が、例えば、メンテナンス会社が管理している装置であれば、当該未病診断装置から送信されたログ及び環境データのそれぞれを受信することで、メンテナンス会社の社員等が、ログを収集するセンサ、又は、環境データを収集するセンサの清掃の当否、あるいは、センサにおけるフィルターの交換の当否等を確認することができる。

　実施の形態１～６に係る未病診断装置１は、ログ取得部１１及び介護データ取得部１２を備えている。当該未病診断装置が、図示せぬデータ送信部を備え、当該データ送信部が、ログ取得部１１により取得されたログ及び介護データ取得部１２により取得された介護データのそれぞれを外部装置に送信するようにしてもよい。外部装置が、例えば、病院が管理している装置、又は、薬局が管理している装置であれば、当該未病診断装置から送信されたログ及び介護データのそれぞれを受信することで、医師等が、診断対象者に対する診断の必要性、診断対象者に対する処方の必要性、又は、診断対象者に対する看護の必要性等を判断することができる。

　実施の形態１～６に係る未病診断装置１は、外部から取得したデータと、学習モデル４３，４６から取得した診断データとを、図示せぬ外部装置に送信するようにしてもよい。外部から取得したデータは、ログ、介護データ、環境データ、又は、バイタルデータである。これにより、図示せぬ外部装置を扱う業者等は、未病診断装置１から送信されたデータをビジネス等に活用することが可能になる。
　また、未病診断装置１は、外部から取得したデータと、学習モデル４３，４６から取得した診断データとから、診断対象者の危険度を予測し、危険度を示す予測データを、図示せぬ外部装置に送信するようにしてもよい。

　実施の形態１～６に係る未病診断装置１は、診断対象者がＧＰＳセンサを携帯している場合、ＧＰＳセンサから出力された位置情報に基づいて、診断対象者の行動を監視し、診断対象者の行動が、診断対象者の普段の行動と異なる場合、アラームを発出するようにしてもよい。
　普段と異なる行動としては、例えば、診断対象者の歩行速度が、普段の歩行速度よりも遅くなっており、遅くなっている割合が、事前に設定されている基準値よりも大きい場合が想定される。
　また、普段と異なる行動としては、例えば、診断対象者が着ている服におけるボタンの掛け違いが、複数日捉えられる場合が想定される。

　なお、本開示は、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。

　本開示は、未病診断装置、未病診断方法及び学習モデル生成装置に適している。

　１　未病診断装置、２　表示装置、３　学習モデル生成装置、１１　ログ取得部、１２　介護データ取得部、１３　未病診断部、１４　表示処理部、１５　環境データ取得部、１５ａ－１～１５ａ－Ｎ　センサ、１６　未病診断部、１７　バイタルデータ取得部、１８　判定部、１９　表示データ生成部、２１　ログ取得回路、２２　介護データ取得回路、２３　未病診断回路、２４　表示処理回路、２５　環境データ取得回路、２６　未病診断回路、２７　バイタルデータ取得回路、２８　判定回路、２９　表示データ生成回路、３１　メモリ、３２　プロセッサ、４１　データ取得部、４２　学習モデル生成部、４３　学習モデル、４４　データ取得部、４５　学習モデル生成部、４６　学習モデル、５１　データ取得回路、５２　学習モデル生成回路、５３　データ取得回路、５４　学習モデル生成回路、６１　メモリ、６２　プロセッサ、７１　骨格解析部、７２　表示データ生成部、７３　表示データ生成部、８１　骨格解析回路、８２　表示データ生成回路、８３　表示データ生成回路。

Claims

　未病の診断対象者における身体の変化を示すログを取得するログ取得部と、
　前記診断対象者に対する介護内容を示す介護データを取得する介護データ取得部と、
　前記ログ取得部により取得されたログと、前記介護データ取得部により取得された介護データとを学習モデルに与えて、前記学習モデルから、前記診断対象者に生じている可能性の有る未病を示す診断データを取得する未病診断部と
　を備えた未病診断装置。
　前記ログ取得部は、前記診断対象者における身体の変化を示すログとして、前記診断対象者における睡眠の状態変化を示すログを取得し、
　前記介護データ取得部は、前記診断対象者に対する介護内容を示す介護データとして、前記診断対象者における睡眠薬の服用の有無、又は、前記診断対象者の運動量が記録されている介護データを取得し、
　前記未病診断部は、前記ログ取得部により取得されたログと、前記介護データ取得部により取得された介護データとを前記学習モデルに与えて、前記学習モデルから、前記診断対象者に生じている可能性の有る未病として、不眠症の前段状態であることを示す診断データを取得することを特徴とする請求項１記載の未病診断装置。
　前記ログ取得部は、前記診断対象者における身体の変化を示すログとして、前記診断対象者における食事中の状態変化を示すログを取得し、
　前記介護データ取得部は、前記診断対象者に対する介護内容を示す介護データとして、前記診断対象者の食事内容が記録されている介護データを取得し、
　前記未病診断部は、前記ログ取得部により取得されたログと、前記介護データ取得部により取得された介護データとを前記学習モデルに与えて、前記学習モデルから、前記診断対象者に生じている可能性の有る未病として、誤嚥性肺炎の前段状態であることを示す診断データを取得することを特徴とする請求項１記載の未病診断装置。
　前記ログ取得部は、前記診断対象者における身体の変化を示すログとして、前記診断対象者における歩行の状態変化を示すログを取得し、
　前記介護データ取得部は、前記診断対象者に対する介護内容を示す介護データとして、前記診断対象者の歩行量が記録されている介護データを取得し、
　前記未病診断部は、前記ログ取得部により取得されたログと、前記介護データ取得部により取得された介護データとを前記学習モデルに与えて、前記学習モデルから、前記診断対象者に生じている可能性の有る未病として、歩行障害の前段状態であることを示す診断データを取得することを特徴とする請求項１記載の未病診断装置。
　前記ログ取得部は、前記診断対象者における身体の変化を示すログの代わりに、前記診断対象者による機器の操作履歴を示すログを取得し、
　前記介護データ取得部は、前記診断対象者に対する介護内容を示す介護データとして、前記診断対象者による機器の誤操作が記録されている介護データを取得し、
　前記未病診断部は、前記ログ取得部により取得されたログと、前記介護データ取得部により取得された介護データとを前記学習モデルに与えて、前記学習モデルから、前記診断対象者に生じている可能性の有る未病として、認知症の前段状態であることを示す診断データを取得することを特徴とする請求項１記載の未病診断装置。
　前記診断対象者の周囲の環境を示す環境データを取得する環境データ取得部を備え、
　前記未病診断部は、前記ログ取得部により取得されたログと、前記介護データ取得部により取得された介護データと、前記環境データ取得部により取得された環境データとを前記学習モデルに与えて、前記学習モデルから、前記診断対象者に生じている可能性の有る未病を示す診断データを取得することを特徴とする請求項１記載の未病診断装置。
　前記診断対象者の周囲の正常な環境と異常な環境との境界を示す境界データと、前記環境データ取得部により取得された環境データとを比較し、前記境界データと前記環境データとの比較結果に基づいて、前記診断対象者の周囲の環境が、正常な環境であるのか、異常な環境であるのかを判定する判定部を備えたことを特徴とする請求項６記載の未病診断装置。
　前記診断対象者のバイタルを示すバイタルデータを取得するバイタルデータ取得部と、
　前記バイタルデータ取得部により取得されたバイタルデータと閾値とを比較し、前記バイタルデータと前記閾値との比較結果に基づいて、前記診断対象者のバイタルが、正常であるのか、異常であるのかを判定する判定部と
　を備えたことを特徴とする請求項１記載の未病診断装置。
　前記診断対象者を介護するスタッフのバイタルを示すバイタルデータを取得するバイタルデータ取得部と、
　前記バイタルデータ取得部により取得されたスタッフのバイタルデータと閾値とを比較し、前記スタッフのバイタルデータと前記閾値との比較結果に基づいて、前記スタッフのバイタルが、正常であるのか、異常であるのかを判定する判定部と
　を備えたことを特徴とする請求項１記載の未病診断装置。
　前記環境データ取得部は、前記診断対象者の周囲の環境を観測する複数のセンサのそれぞれから、環境の観測結果を示す環境データを取得し、
　それぞれのセンサが設置されている位置と、それぞれのセンサから出力された環境データとを画面に表示させるための表示データを生成する表示データ生成部を備えたことを特徴とする請求項６記載の未病診断装置。
　前記ログ取得部は、前記診断対象者における身体の変化を示すログとして、前記診断対象者を撮影しているカメラの映像データを取得し、
　前記ログ取得部により取得された映像データから前記診断対象者の骨格の動きを解析し、前記診断対象者の骨格の動きを示す骨格データを出力する骨格解析部と、
　前記骨格解析部から出力された骨格データに従って、前記診断対象者の骨格の動きを画面に表示させるための表示データを生成する表示データ生成部と
　を備えたことを特徴とする請求項１記載の未病診断装置。
　前記ログ取得部は、前記診断対象者における身体の変化を示すログとして、前記診断対象者における睡眠の状態変化を示すログを取得し、
　前記環境データ取得部は、前記診断対象者の周囲の環境を示す環境データとして、エアコンの運転状況を示す環境データを取得し、
　前記ログ取得部により取得されたログが示す睡眠の状態変化と、前記環境データ取得部により取得された環境データが示すエアコンの運転状況とを画面に表示させるための表示データを生成する表示データ生成部を備えたことを特徴とする請求項６記載の未病診断装置。
　ログ取得部が、未病の診断対象者における身体の変化を示すログを取得し、
　介護データ取得部が、前記診断対象者に対する介護内容を示す介護データを取得し、
　未病診断部が、前記ログ取得部により取得されたログと、前記介護データ取得部により取得された介護データとを学習モデルに与えて、前記学習モデルから、前記診断対象者に生じている可能性の有る未病を示す診断データを取得する
　未病診断方法。
　未病の診断対象者における身体の変化を示すログを取得し、前記診断対象者に対する介護内容を示す介護データを取得し、前記診断対象者に生じる可能性の有る未病を示す教師データ、又は、未病ではないことを示す教師データを取得するデータ取得部と、
　前記データ取得部により取得されたログ、介護データ及び教師データのそれぞれを用いて、前記可能性の有る未病を学習し、未病の診断対象者における身体の変化を示すログと、未病の診断対象者に対する介護内容を示す介護データとが与えられると、診断対象者に生じている可能性の有る未病を示す診断データを出力する学習モデルを生成する学習モデル生成部と
　を備えた学習モデル生成装置。
　前記データ取得部は、未病の診断対象者における身体の変化を示すログを取得し、前記診断対象者に対する介護内容を示す介護データを取得し、前記診断対象者の周囲の環境を示す環境データを取得し、前記診断対象者に生じる可能性の有る未病を示す教師データ、又は、未病ではないことを示す教師データを取得し、
　前記学習モデル生成部は、前記データ取得部により取得されたログ、介護データ、環境データ及び教師データのそれぞれを用いて、前記可能性の有る未病を学習し、未病の診断対象者における身体の変化を示すログと、未病の診断対象者に対する介護内容を示す介護データと、未病の診断対象者の周囲の環境を示す環境データとが与えられると、診断対象者に生じている可能性の有る未病を示す診断データを出力する学習モデルを生成することを特徴とする請求項１４記載の学習モデル生成装置。