JP2015219617A - 疾病分析装置、疾病分析方法、及びプログラム - Google Patents

Abstract

【課題】環境因子や生体統計情報と、疾病の発生と、の関係をモデル化することができる装置、方法、及びプログラムを提供すること。
【解決手段】情報取得手段１１は、環境因子及び生体統計情報の少なくとも一方と、疾病の発生状態を示す疾病発生情報と、を取得する。モデル生成手段１２は、情報取得手段１１の取得した情報に基づいて、環境因子及び生体統計情報の少なくとも一方を構成する属性値の変化と、疾病発生状態と、の関係を示す疾病モデルを生成する．
【選択図】図１

Description

本発明は疾病分析装置、疾病分析方法、及びプログラムに関する。

近年、医療機器のネットワーク化が進んでいる。これによりネットワーク上のコンピュータ（好適にはサーバ）は、各医療機器が測定した生体情報を統計的に管理することが可能となってきている。また当該コンピュータは、各種センサから取得した情報（気温、湿度、音情報）についても管理することが可能となってきている。これに加え、コンピュータの計算機能の進歩が日々進んでいる。これによりコンピュータは、いわゆるビッグデータを扱うことができるようになってきている。

このような環境下において、環境状況の変化や流行病の傾向から疾病を予測する技術が開発されている。特許文献１は、環境変化や流行病の情報を基に疾病発生の予測を行い、疾病発生リスクを負っている人々に通知を行う疾病管理装置を開示している。当該疾病管理装置は、取得した環境因子を疾病の予測テーブル（特許文献１図２）に代入することにより疾病の発生予測を行っている。

特開２００８−１６５７１６号公報

特許文献１では、上述の予測テーブルが予め定義されていることが想定されている。換言すると、環境因子と疾病の発生の関係をモデル化することについて何らの示唆、教示がない。

一般的に、環境因子と疾病の発生との関係は明確になっていない場合が多い。詳細には「どのような環境因子（気温、湿度、騒音度合等）がどのような値の場合に、どの程度の疾病リスクがあるか」といったモデルが明確になっていない。これは、被験者の生体情報と疾病の発生の関係についても同様である。詳細には、「どのような生体情報（体温、血圧、既往症等）がどのような値の場合に、どの程度の疾病リスクがあるか」といったモデルが明確になっていない。これらのモデルを作成することにより、疾病の発生状況の把握や発生予測等を精度よく行うことが期待できる。

そこで本発明は、環境因子や生体統計情報と、疾病の発生と、の関係をモデル化することができる装置、方法、及びプログラムを提供することを主たる目的とする。

本発明にかかる疾病分析装置の一態様は、
環境因子及び生体統計情報の少なくとも一方と、疾病の発生状態を示す疾病発生情報と、を取得する情報取得手段と、
前記情報取得手段の取得した情報に基づいて、前記環境因子及び前記生体統計情報の少なくとも一方を構成する属性の属性値の変化と、疾病発生状態と、の関係を示す疾病モデルを生成するモデル生成手段と、を備えるものである。

モデル生成手段は、環境因子（例えば平均気温、平均湿度等）及び生体統計情報（例えば性別、体脂肪率等）の少なくとも一方と、疾病発生情報と、を分析して疾病モデルを生成している。すなわちモデル生成手段１２は、環境因子、生体統計情報、疾病発生情報といった生データから疾病の発生状況を把握できる疾病モデルを生成している。ユーザは、この疾病モデルを参照することにより疾病に対する理解を深め、事前の予防や対策を検討することができる。

本発明は、環境因子や生体統計情報と、疾病の発生と、の関係をモデル化することができる疾病分析装置、疾病分析方法、及びプログラムを提供することができる。

実施の形態１にかかる疾病分析装置１の構成を示すブロック図である。 実施の形態１にかかる情報取得手段１１が取得する環境因子及び生体統計情報のデータ例を示す図である。 実施の形態１にかかる表示手段１４に表示された疾病モデルを示す図である。 実施の形態１にかかる表示手段１４に表示された疾病モデル（ヒストグラム）を示す図である。 実施の形態１にかかる表示手段１４に表示された疾病モデル（ヒストグラム）を示す図である。 実施の形態１にかかる表示手段１４に表示された疾病モデルを示す図である。 実施の形態１にかかる表示手段１４に表示された疾病モデルを示す図である。 実施の形態１にかかるモデル生成手段１２が生成した相関モデル（疾病モデル）である。 実施の形態１にかかるモデル生成手段１２が生成した相関モデル（疾病モデル）である。 実施の形態１にかかるモデル生成手段１２が生成した相関モデル（疾病モデル）である。 実施の形態１にかかるモデル生成手段１２が生成した相関モデル（決定木）である。 実施の形態２にかかる疾病分析装置２の構成を示すブロック図である。 実施の形態２にかかる予測手段１６によって生成された表示画面例である。 実施の形態３にかかる疾病分析装置３の構成を示すブロック図である。

＜実施の形態１＞
以下、図面を参照して本発明の実施の形態について説明する。図１は、本実施の形態にかかる疾病分析装置の構成を示すブロック図である。疾病分析装置１は、情報取得手段１１、モデル生成手段１２、記憶手段１３、表示手段１４、及び入力手段１５を備える。疾病分析装置１は、好適にはＣＰＵ（Central Processing Unit）やＨＤＤ（Hard Disk Drive）を有し、大容量のデータ処理を行うことが可能なコンピュータ装置である。

情報取得手段１１は、各種医療機器、センサ、またはこれ等の医療機器やセンサを管理するサーバから環境因子や生体統計情報を取得する。または情報取得手段１１は、環境因子や生体統計情報を疾病分析装置１内の記憶手段１４から取得する。更に情報取得手段１１は、ネットワーク上のサーバや記憶手段１３から疾病発生情報を取得する。つまり情報取得手段１１は、通信手段としても動作し、各種のファイルやデータベースを読み出すインターフェイスとしても動作する。

図２は、各情報の構成例を示す概念図である。図２（Ａ）は、環境因子の一例を示す図である。当該データ例は、各日の平均気温や平均湿度を含む。なお図２（Ａ）はあくまでも一例であり、照度、気圧、騒音、加速度、物理的位置等の様々な環境因子の属性のデータ（属性値）が含まれていてもよい。また図２（Ａ）に示すように、各日のデータを管理するのではなく、もう少し細かい時間単位（例えば１時間毎）のデータを管理してもよい。環境因子は、人間を取り巻くあらゆる環境の各種属性の情報である。

図２（Ｂ）は、生体統計情報の一例を示す図である。当該データ例は、年齢、性別、体脂肪率を含む。なお図２（Ｂ）はあくまでも一例であり、血圧、身長、体重、心拍出量、体温等の様々な生体のデータ（属性値）が含まれていてもよい。生体統計情報とは、多くの被験者の生体情報（血圧、身長等）を統計的にまとめたものである。

図２（Ｃ）は、疾病発生情報の一例を示す図である。当該データ例は、各人の疾病の発生状態を示す例である。当該データ例は、各人のインフルエンザの発症日を含む。なお図２（Ｃ）はあくまでも一例であり、扱う疾病はがん等の生命にかかわるものから、風邪等の一過性のものも含まれる。また扱う疾病は、内臓疾患のみならず腰痛、肩こり等の慢性的な生活習慣病も含まれる。

再び図１を参照する。情報取得手段１１は、取得した各種情報（図２）をモデル生成手段１２に供給する。モデル生成手段１２は、環境因子（図２（Ａ））及び生体統計情報（図２（Ｂ））の少なくとも一方と、疾病発生情報（図２（Ｃ））と、の関係を分析して疾病発生状態を示す疾病モデルを生成する。疾病モデルの例は図４等を参照して後述する。表示手段１４は、モデル生成手段１２が生成した疾病モデルを表示する。表示手段１４は、疾病分析装置１と接続された任意のディスプレイ装置及び当該ディスプレイ装置の制御回路等である。なおモデル生成手段１２は、生成した疾病モデルを表示させるだけではなく、記憶手段１３に格納してもよい。

入力手段１５は、ユーザからの各種の入力を受け付ける。入力手段１５は、例えばマウスやキーボードである。なお入力手段１５と表示手段１４は、一体化されていてもよい（例えばタッチディスプレイ）。

続いてモデル生成手段１２による疾病モデル生成の手法について説明する。以下の説明では、モデル生成手段１２は、図２に示す各種データを疾病モデルの作成に用いるものとする。なおモデル生成手段１２は、必ずしも環境因子に関する属性と生体統計情報に関する属性の双方を扱う必要はなく、事案によっては一方のみを用いた分析を行ってもよい。

モデル生成手段１２は、環境因子に含まれる各属性（平均気温、平均湿度等）や生体統計情報に含まれる各属性（年齢、性別、体脂肪率）の属性値と、疾病発生状態と、の間の関連性をそれぞれ算出する。本例の場合、モデル生成手段１２は、各属性値と疾病（インフルエンザ）の発生数との間の関連性（例えば相関係数）を算出する。

図２の例では、モデル生成手段１２は、平均気温とインフルエンザの発生数との関連性を算出する。例えばモデル生成手段１２は、平均気温９℃以上の場合のインフルエンザ発症数、平均気温９℃〜６℃の場合のインフルエンザ発症数、平均気温６℃〜３℃の場合のインフルエンザ発症数、平均気温３℃未満の場合のインフルエンザ発症数をそれぞれ算出する。

同様にモデル生成手段１２は、平均湿度とインフルエンザの関連性を算出する。例えばモデル生成手段１２は、平均湿度１０％〜２０％の場合のインフルエンザの発症数を算出する。同様にモデル生成手段１２は、平均湿度２０％〜３０％の場合、平均湿度３０％〜４０％の場合、平均湿度４０％〜の場合のインフルエンザの発生数をそれぞれ算出する。

同様の手法でモデル生成手段１２は、各年齢別のインフルエンザ発症数、各性別のインフルエンザ発症数、体脂肪率とインフルエンザ発症数、をそれぞれ算出する。

そしてモデル生成手段１２は、疾病の発生に関連性の高い属性を抽出する。ここで関連性が高い属性とは、属性値が数値で表せるものである場合、属性値の増加（または減少）に伴って疾病の発生数が増加（または減少）する度合が大きいものと考えられる。モデル生成手段１２は、全属性の中から関連性の高い属性を抽出する。一般的にユーザが直感的に理解できるのはマトリクス形式であるため、モデル生成手段１２は関連性の強い属性を２つ程度抽出する。そしてモデル生成手段１２は、抽出した属性と疾病の発症数を示す分布を疾病モデルとして生成する。

モデル生成手段１２は、生成した疾病モデルを表示手段１４に表示する。図３は、表示手段１４に表示された疾病モデルの一例を示す図である。図３では、疾病の発生と関連性が強い属性として平均気温と平均湿度が抽出されている。ユーザは、図３を参照することにより平均気温が低く、かつ平均湿度が低い場合にインフルエンザの発症が増えることを把握することができる。なお図３は説明の便宜のため７０人程度の対象者に関する疾病モデルを示しているが、実際の疾病モデルはかなり多い数の対象者に関する疾病モデル（例えば数百万人に関する疾病モデル）を扱うものとすることができる。

またモデル生成手段１２は、属性値と疾病の発生数の関係をグラフィカルなヒストグラムとして表示してもよい。図４は、疾病モデルとしてヒストグラムを表示した例である。ユーザは、図４に示すヒストグラムを参照することにより、どのような気候条件の場合にインフルエンザの注意をするべきか（例えばうがい手洗いの励行を徹底する）を把握することができる。具体的にはユーザは、平均湿度が３０％未満であって平均気温が６℃未満の場合にはインフルエンザへの注意を特にすべきことを視覚的に認識することができる。

図３または図４の情報では関連性が高い属性と疾病発症数の関係を把握することができるが、他の属性（年齢等）と疾病（インフルエンザ）の発症の関係については把握できない。そこで疾病分析装置１は、ユーザから関連性を把握したい属性の情報を取得し、取得した属性に合わせて疾病モデルを作り直す（再構成する）ようにしてもよい。

図５は、ユーザから属性の指定を受け付ける各種インターフェイス（例えばラジオボックス、ツマミ等）を含む疾病モデルを示す図である。モデル生成手段１２は、図４に示すヒストグラムを作成して表示する。これに加えてモデル生成手段１２は、各属性の値域を選択するためのチェックボックス１０１を設けるとともに、ヒストグラムで表示対象となっていない各属性の表示ＯＮ／ＯＦＦを切り替えるツマミ１０２〜１０４を設ける。当該チェックボックス１０１やツマミ１０２〜１０４は、属性の指定や属性値の値域を指定する入力インターフェイスの一態様である。ユーザは、当該チェックボックス１０１やツマミ１０２を入力手段１５（例えばマウス、キーボード、タッチパネル等）によって操作する。

ユーザは、分析対象としたい属性に対応するツマミの中央部分をクリックすることによりＯＮ／ＯＦＦを切り替える。またＯＮを選択した場合、ユーザはどのように分析するかを指定する。本例ではユーザは、年齢が２０歳以上であるか否かを区切りとして疾病モデルを再構成することを指定している。すなわちユーザは、属性と当該属性のどの値を閾値とするかを指定する。

またユーザは、分析対象としている属性のうち、疾病モデルの再構成時に対象となる属性及び値域を選択する。本例ではユーザは、平均湿度に関しては１０％〜２０％の値域のみを疾病モデルの再構成時の対象範囲に指定している。

モデル生成手段１２は、指定された属性及び値域を基に、インフルエンザの発症数を算出して疾病モデルを再構築する。図６は、図５に示す指定に従って再構成した疾病モデルである。図６の例では、モデル生成手段１２は２０歳以上であるか否かを基に図５に示す分布の内訳を示す疾病モデルを生成している。モデル生成手段１２は、指定された属性及び属性値に応じて疾病数を再度カウントすることにより疾病モデルを再構成すればよい。

また図７は、図５に示す表示画面において年齢に代わって性別を選択した場合に再構成した疾病モデルを示す図である。モデル生成手段１２は、図５に示す疾病モデルに対して、性別が男性であるか女性であるかを内訳として示すように再構成した疾病モデルを生成する。

図６を参照すると、２０歳未満の発症数が非常に高い。そのためユーザは、平均気温や平均湿度のみならず年齢もインフルエンザの発症に影響が大きいことを視覚的に認識することができる。また図７を参照すると、男性の発症数と女性の発症数にほとんど差異がないことがわかる。そのためユーザは、性別がインフルエンザの発症にあまり影響が大きくないことを推定することができる。

なお、図６及び図７に示すように、モデル生成手段１２は再構成した疾病モデルの表示画面にも入力インターフェイス（この場合にはツマミ１０２〜１０４）を表示し続ける。そしてモデル生成手段１２は、この入力インターフェイス（ツマミ１０２〜１０４）が操作される毎に疾病モデルの再構成を行う。これによりユーザは、グラフ（疾病モデル）を参照しながら属性値を変化させて疾病の発症状況がどのように変わるかを認識することができる。

なお、図３〜図７に示す表示画面はあくまでも一例であり、これに限られない。例えば図５では２つの属性を対象とした３次元のヒストグラムを表示したが、１つの属性のみを対象とした２次元のヒストグラムを表示してもよい。

またモデル生成手段１２は、疾病の発症と関連性の高い属性を抽出して疾病モデルを生成したが必ずしもこれに限られず、ユーザが明示的に選択した属性を対象とした疾病モデルを生成してもよい。

なお、上述の例では疾病モデルは各属性に対するヒストグラムとして説明したが、必ずしもこれに限られない。以下、モデル生成手段１２による疾病モデルの他の生成例について説明する。

（他の生成例１）
疾病の度合及び属性値が数値で表せる場合、モデル生成手段１２は属性値の変化と疾病をプロットした相関モデルを生成してもよい。図８は、体脂肪率の変化（生体統計情報）と高血圧（疾病）の関係をプロットした相関モデルの例である。同様に図９は、体重の変化（生体統計情報）と高血圧（疾病）の関係をプロットした相関モデルである。このようにモデル生成手段１２は、疾病モデルとして相関モデルを生成する。詳細には、モデル生成手段１２は、各属性を一つずつ選択して属性値と疾病の値（図８及び図９の場合には血圧値）の交わる点をプロットする。そしてモデル生成手段１２は、このプロット図を用いて相関係数の算出等を行う。

モデル生成手段１２は、相関係数が高い属性を抽出する。そしてモデル生成手段１２は、算出した相関係数や相関モデルを表示した表示画面を表示手段１４に表示する。図１０は、表示手段１４に表示されたユーザインターフェイスの一例である。表示画面上には、算出した各属性と高血圧との相関係数が表示される。図１０の例では、体脂肪率、たばこの本数、塩分摂取量の順に相関が高いことが表示されている。ユーザは、手元のマウスを用いてマウスポインタ１１１を操作し、表示対象としたい属性を選択する。選択した属性の相関グラフが表示エリア１１２に表示される。

ユーザは、当該表示画面を参照することにより対象となる疾病（今回の例では高血圧）と関連性の高い属性を把握することができる。例えばユーザは、これまで注目していなかった属性が疾病の発生に関連が強いことを気づくことができる。なお表示画面は、図１０に示すものに限られず、例えば全ての属性の相関グラフを１画面上に表示するようなものであってもよい。

（他の生成例２）
モデル生成手段１２は、各属性を用いた決定木を疾病モデルとして生成してもよい。以下、決定木の生成例を説明するため、ぜんそくの発症モデルを例として説明する。モデル生成手段１２は、一般的な作成アルゴリズム（例えばＩＤ３アルゴリズム）を用いて決定木を作成する。ここでモデル生成手段１２は、属性毎に平均情報量（エントロピー）を算出し、平均情報量が高い属性のみを決定木を作成する際に用いればよい。

図１１は、モデル生成手段１２が生成した決定木の一例を示す図である。図１１の例は、ぜんそくの発症確率に関する決定木を作るものである。本例では、気道のつまり具合（ピークフロー値）が最も平均情報量が高いため、１番目の質問として用いられている。この場合、８０人の被験者のうち５０人のピークフロー値が基準値の８０％未満であり、かつその中の４０人がぜんそくを発症していることを示している。なお質問に用いる属性の閾値（例えば気道のつまり具合が基準値の８０％以上であるか否か）は、トライアンドエラーによって最も平均情報量が高くなるものを選択してもよく、ユーザが明示的に指定してもよい。

モデル生成手段１２は、生成した決定木を、表示手段１４を介してユーザに提示する。ユーザは、決定木（図１１）を確認することにより、どのような条件で疾病の発症確率が高いかを把握することができる。図１１の例においてユーザは、ピークフロー値が低く、かつ前日との気温差及び湿度差が大きい場合にはぜんそく発症の確率が高いことを認識できる。

（疾病分析装置１の効果）
続いて、本実施の形態にかかる疾病分析装置１の効果について説明する。モデル生成手段１２は、環境因子（例えば平均気温、平均湿度等）及び生体統計情報（例えば性別、体脂肪率等）の少なくとも一方と、疾病発生情報と、を分析して疾病モデルを生成している。ここで疾病モデルの生成は、例えば属性値の変化と疾病発生数の関係を分析して行う。すなわちモデル生成手段１２は、環境因子、生体統計情報、疾病発生情報といった生データから疾病の発生状況を把握できる疾病モデルを生成している。ユーザは、この疾病モデルを参照することによって疾病に対する理解を深め、事前の予防や対策を検討することが容易になる。

疾病モデルは、例えば図４に示すようなヒストグラムである。当該ヒストグラムは、属性値の変化と疾病の発症リスクを視覚的に表示する。そのためユーザは、このヒストグラムを参照することにより、どの属性（例えば平均気温）の属性値がどのような状態の場合に疾病の発生リスクが高いかを認識することができる。

またモデル生成手段１２は、ヒストグラムの生成の際に各属性と疾病の発生数との間の関連性（例えば相関係数）を算出している。そしてモデル生成手段１２は、この関連性が相対的に高い（換言すると上位の）属性をヒストグラムの軸として使用している。これによりヒストグラムは、最も疾病の発症に関連性の強い属性と疾病の発生との関係を示すものとなる。ユーザは、このヒストグラムを参照することにより「どの属性が疾病の発生に関連性が高く、かつ属性値がどのような場合に疾病の発症のリスクが高いか」を視覚的に認識することができる。

更にモデル生成手段１２は、ユーザの入力に応じて疾病モデルを再構成している。具体例としては、モデル生成手段１２は図５の入力画面で選択した属性の種別や値域を用いて疾病モデルを再構成している。これによりユーザは、明示的に選択した属性の属性値の変化と疾病の発生との関係を把握することが可能となる。例えば図６及び図７の例では、ユーザはインフルエンザの発症に年齢は関係があるが、性別はあまり関係ないことを認識することができる。なお上述の説明ではモデル生成手段１２は、ヒストグラムを再構成する例を説明したが、相関モデルや決定木を再構成してもよい。

またモデル生成手段１２は、再構成した疾病モデルを図６や図７に示すように積み上げグラフで示すこともできる。これによりユーザは、閾値（図６や図７のツマミ１０２〜１０４で指定する値）を変化させることにより疾病発生のリスクがどれだけ高くなるかを容易に理解することができる。

＜実施の形態２＞
続いて本発明の第２の実施の形態にかかる疾病分析装置２について説明する。本実施の形態にかかる疾病分析装置２は、入力された条件（検査条件）の場合にどれだけ疾病発症のリスクが高いかを予測する機能を有する。以下、本実施の形態にかかる疾病分析装置２について実施の形態１と異なる点を中心に説明する。以下の図中において、実施の形態１と同様の名称・符号を付した処理部は、特に説明しない限り実施の形態１と同様の動作を行うものとする。実施の形態３についても同様である。

図１２は、本実施の形態にかかる疾病分析装置２の構成を示すブロック図である。疾病分析装置２は、図１に示す疾病分析装置１の構成に加えて予測手段１６を更に備える。ユーザは、入力手段１５を介して検査条件を入力する。ここで検査条件とは、疾病の発生確率を検査したい条件を示すものである。ユーザは、任意の環境因子や生体統計情報の属性の属性値を指定して検査条件を有力する。例えば検査条件は、「年齢が１２歳未満」、「体脂肪が３０％以上」、「平均気温が１０℃未満」、「平均気温が１０℃未満、かつ前日との平均気温差が３℃以上」といった条件が該当する。以下の説明では、図３や図４の疾病モデルを対象とした予測手法について説明する。

予測手段１６には、モデル生成手段１２が生成した疾病モデル、及び検査条件が入力される。なおモデル生成手段１２は、入力される検査条件に合わせて疾病モデルを再構成することが望ましい。例えば検索条件として「平均気温が６℃未満、かつ平均湿度が３０％未満」が入力された場合、モデル生成手段１２は平均気温と平均湿度を対象とした疾病モデル（すなわち図３のモデル）を生成する。

予測手段１６は、疾病モデル内において検査条件の位置をハイライトして表示手段１５に表示する。この際に予測手段１６は、検査条件が疾病を引き起こす条件にどの程度該当するかの予測指標も表示する。図１３は、予測手段１６によって生成された表示画面例である。

図３に示すように、平均気温が６℃未満であり平均湿度が３０％未満である場合、インフルエンザ発症者のうち約６０％（（１０＋１０＋１０＋１２）／７０）の人が発症を開始している。予測手段１６は、「平均気温が６℃未満、かつ平均湿度が３０％未満」という検査条件では非常にインフルエンザの発症確率が高いと予測する。そのため予測手段１６は、図示するように警告メッセージ（危険！！（発症者のうち約６０％が指定の検査条件で発症））を疾病モデルとともに表示する。また予測手段１６は、図示するように検査条件が疾病モデル内で該当する位置をハイライトして表示する。

検査条件として明日の気象条件を入れた場合、ユーザは明日のインフルエンザの発症確率が非常に高いことを把握することができる。またユーザは、インフルエンザの発症に平均気温や平均湿度が関連することを図１３のグラフ（の軸）から把握することができる。そこでユーザは、加湿器を用いて湿度を高くする予防や、部屋を暖めるといった予防を行うことが可能となる。

このように本実施の形態にかかる疾病分析装置２は、モデル生成手段１２が生成した疾病モデルを基に疾病の発生予測を行うことができる。疾病の発生予測を参照することにより、ユーザは対象となる検査条件での疾病発生の危険性を把握することができる。疾病の危険性が高い場合、ユーザは各種の予防措置（例えば外出を控える、除湿機を使用する、加湿器を使用する、部屋の暖房を積極的に使用する、血圧に関する薬を飲む、塩分の多い食事を控える等）を行うことができ、疾病発生を未然に防ぐことができる。

＜実施の形態３＞
本実施の形態にかかる疾病分析装置３は、予測手段１６に入力する検査条件の少なくとも一部をセンサから取得することを特徴とする。本実施の形態にかかる疾病分析装置３について実施の形態２の疾病分析装置２と異なる点を以下に説明する。

図１４は、本実施の形態にかかる疾病分析装置３の構成を示すブロック図である。図示するように疾病分析装置３は、図１２に示す構成に加えてセンサ１７を更に有する。センサ１７は、環境因子や生体情報（所定のユーザの血圧、心拍数等）のいずれかを取得するものである。センサ１７は、例えば環境因子を取得するものとして温度計、湿度計、気圧計、騒音計、加速度センサ等であってもよい。またセンサ１７は、例えば生体情報モニタ等の一部として構成されるものであってもよい。この場合にはセンサ１７は、体温、血圧、脈拍、ＳｐＯ２、心拍出量、呼吸、等を取得するものであればよい。なおセンサ１７は、疾病分析装置１と一体化した構成でなくてもよく、例えば疾病分析装置１とネットワークを介して接続した生体情報モニタの一部として実装されてもよい。

予測手段１６は、センサ１７が取得した各種のデータを検査条件として自動的に取り込む。ここで予測手段１６がデータを取り込むタイミングは、一定時間毎であってもよく、センサ１７によって取得した生体情報（所定のユーザの血圧、心拍数等）が悪化する方向に変化したようなタイミングであってもよい。生体情報が悪化したタイミングで予測を行う場合、疾病分析装置１は、予測結果として疾病の発生確率が高い場合には報知を行ってもよい。例えば疾病分析装置１は音声で報知したり、予め登録された通知先（例えばセンサ１７を付けた患者を担当する医師等）にメールで通知する。

このように予測手段１６がセンサ１７の取得したデータを自動的に取り込むことにより、ユーザは明示的に検査条件を入力する必要がなくなる。また予測手段１６は、生体情報（所定のユーザの血圧、心拍数等）の変化に応じて自動的に予測を行い、危険度を報知することにより、重大な疾病の発症（例えば心筋梗塞のように急変を起こしやすいもの）を未然に防げる可能性が高まる。

以上、本発明者によってなされた発明を実施の形態に基づき具体的に説明したが、本発明は既に述べた実施の形態に限定されるものではなく、その要旨を逸脱しない範囲において種々の変更が可能であることはいうまでもない。

上述の説明ではインフルエンザ等を例にとり説明したが、これに限らず様々な疾病に対応可能である。例えば嚥下障害等では、現状では明確な判断基準が設けられていない。疾病分析装置１は、嚥下障害に関する疾病モデルを上述の手法を用いて生成する。多数の患者の生体情報や環境因子等に対する分析を行うことにより、ユーザは嚥下障害にならないための予防方法、嚥下障害になった場合のリハビリテーションを検討することができる。

なお、上述の情報取得手段１１、モデル生成手段１２、予測手段１６の各処理は、疾病分析装置１内で動作するプログラムとして実現することができる。プログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ−ＲＯＭ（Read Only Memory）、ＣＤ−Ｒ、ＣＤ−Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（random access memory））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。なお記憶手段１３は、上述の非一時的なコンピュータ可読媒体の一部または全部を構成する場合がある。

１、２、３ 疾病分析装置
１１ 情報取得手段
１２ モデル生成手段
１３ 記憶手段
１４ 表示手段
１５ 入力手段
１６ 予測手段
１７ センサ

Claims (10)

1. 環境因子及び生体統計情報の少なくとも一方と、疾病の発生状態を示す疾病発生情報と、を取得する情報取得手段と、
   前記情報取得手段の取得した情報に基づいて、前記環境因子及び前記生体統計情報の少なくとも一方に含まれる属性の属性値の変化と、疾病発生状態と、の関係を示す疾病モデルを生成するモデル生成手段と、
   を備える疾病分析装置。
2. 前記モデル生成手段が生成した前記疾病モデルを表示する表示手段を更に有する、
   ことを特徴とする請求項１に記載の疾病分析装置。
3. 前記モデル生成手段は、前記環境因子または前記生体統計情報を構成する各属性を軸とし、疾病の発生数を示すヒストグラム、を前記疾病モデルとして生成する、
   ことを特徴とする請求項２に記載の疾病分析装置。
4. 前記モデル生成手段は、前記環境因子または前記生体統計情報を構成する各属性と疾病の発生数の関連性を算出し、当該関連性が相対的に高い属性を前記ヒストグラムの軸として用いる、
   ことを特徴とする請求項３に記載の疾病分析装置。
5. 前記環境因子または前記生体統計情報を構成する属性の属性値を受け付ける入力手段を更に有し、
   前記モデル生成手段は、前記疾病モデルを、前記入力手段によって入力された前記属性値を閾値として再構成する、
   ことを特徴とする請求項１〜４のいずれか１項に記載の疾病分析装置。
6. 前記モデル生成手段は、前記入力手段によって操作される入力インターフェイスを前記疾病モデルとともに表示し、前記入力インターフェイスの操作に応じて前記疾病モデルを表示したまま再構成する、
   ことを特徴とする請求項５に記載の疾病分析装置。
7. 検査条件を前記疾病モデルに代入することにより、前記検査条件下での疾病の発生予測を行う予測手段をさらに備える、
   ことを特徴とする請求項１〜請求項６のいずれか１項に記載の疾病分析装置。
8. 前記検査条件を構成する属性値の全部または一部はセンサから取り込まれる、
   ことを特徴とする請求項７に記載の疾病分析装置。
9. 環境因子及び生体統計情報の少なくとも一方と、疾病の発生状態を示す疾病発生情報と、を取得する情報取得ステップと、
   前記情報取得ステップにおいて取得した情報に基づいて、前記環境因子及び前記生体統計情報の少なくとも一方に含まれる属性の属性値の変化と、疾病発生状態と、の関係を示す疾病モデルを生成するモデル生成ステップと、
   を備える疾病分析方法。
10. コンピュータに、
    環境因子及び生体統計情報の少なくとも一方と、疾病の発生状態を示す疾病発生情報と、を取得する情報取得ステップと、
    前記情報取得ステップにおいて取得した情報に基づいて、前記環境因子及び前記生体統計情報の少なくとも一方を構成する属性の属性値の変化と、疾病発生状態と、の関係を示す疾病モデルを生成するモデル生成ステップと、
    を実行させるプログラム。

Images