WO2022270099A1 - コレステロールリスク推定装置、コレステロールリスク推定方法及びプログラム - Google Patents

コレステロールリスク推定装置、コレステロールリスク推定方法及びプログラム Download PDF

Info

Publication number
WO2022270099A1
WO2022270099A1 PCT/JP2022/015093 JP2022015093W WO2022270099A1 WO 2022270099 A1 WO2022270099 A1 WO 2022270099A1 JP 2022015093 W JP2022015093 W JP 2022015093W WO 2022270099 A1 WO2022270099 A1 WO 2022270099A1
Authority
WO
WIPO (PCT)
Prior art keywords
cholesterol
risk
cholesterol risk
risk estimation
information
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.)
Ceased
Application number
PCT/JP2022/015093
Other languages
English (en)
French (fr)
Inventor
徳隆 安藤
尚久 正箱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nissin Foods Holdings Co Ltd
Original Assignee
Nissin Foods Holdings Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from JP2022040635A external-priority patent/JP2023002453A/ja
Application filed by Nissin Foods Holdings Co Ltd filed Critical Nissin Foods Holdings Co Ltd
Priority to CN202280005618.XA priority Critical patent/CN115884710A/zh
Priority to EP22828018.6A priority patent/EP4362045A4/en
Priority to US18/041,971 priority patent/US20240266058A1/en
Publication of WO2022270099A1 publication Critical patent/WO2022270099A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue
    • A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue for measuring blood gases
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue
    • A61B5/14546—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue for measuring analytes not otherwise provided for, e.g. ions, cytochromes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7221—Determining signal validity, reliability or quality
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Definitions

  • the present invention relates to a cholesterol risk estimation device, a cholesterol risk estimation method and a program.
  • Lipoproteins contained in blood can be classified into four types: chylomicrons, VLDL (Very Low Density Lipoprotein), LDL (Low Density Lipoprotein) cholesterol, and HDL (High Density Lipoprotein) cholesterol.
  • HDL cholesterol is also called good cholesterol, and it is generally known that a lack of HDL cholesterol in the blood increases the risk of diseases such as arteriosclerosis. According to the criteria for blood tests established by the Society of Ningen Dock, if HDL cholesterol is 40 mg/dL or more, there is no abnormality, and if it is less than 40 mg/dL, it is determined that there is a risk.
  • LDL cholesterol is also called bad cholesterol, and it is generally known that a large amount of LDL cholesterol in the blood increases the risk of diseases such as arteriosclerosis. According to the blood test criteria established by the Ningen Dock Society, if the LDL cholesterol is less than 120 mg/dL, there is no abnormality, and if it is 120 mg/dL or more, it is determined that there is a risk.
  • Patent Document 1 A method described in Patent Document 1 is known as a noninvasive method for measuring lipids as whole lipoproteins.
  • Patent Document 1 cannot estimate the concentration for each type of lipoprotein such as LDL and HDL, and whether or not there is a risk to health for each of LDL cholesterol and HDL cholesterol. It was difficult to make a determination of
  • the present invention has been made in view of the circumstances as described above, and an object of the present invention is to estimate the risk of cholesterol, that is, LDL cholesterol or HDL cholesterol, to health from non-invasive biological information with extremely high accuracy. to provide a cholesterol risk estimation device, a cholesterol risk estimation method, and a program.
  • a cholesterol risk estimation device includes an information acquisition unit that acquires predetermined user attribute information and non-invasive biological information, an estimation model storage unit that stores a cholesterol risk estimation model, and a cholesterol risk estimation model. and an estimation processor that calculates an estimated cholesterol risk value for a given user based on the given user's attribute information and/or non-invasive biometric information.
  • the cholesterol risk estimation device is characterized by further comprising a training data storage unit that stores a training data set, and a learning processing unit that generates a cholesterol risk estimation model by machine learning based on the training data set.
  • the attribute information includes age and sex, or a combination thereof
  • the non-invasive biometric information includes BMI, blood pressure, pulse wave data, electrocardiogram data, bioimpedance, or a combination thereof.
  • the training dataset is characterized by including subject's attribute information, non-invasive biological information, and cholesterol measurement values measured from blood.
  • the noninvasive biological information is characterized by further including oxygen saturation (SpO2).
  • the estimation accuracy of the cholesterol risk estimate is characterized by the accuracy with which the presence or absence of risk can be classified with an ROC_AUC of 0.7 or more.
  • the learning processing unit adds a label indicating the presence or absence of cholesterol risk based on the cholesterol measurement value measured from blood, and in the label, the number of cholesterol risk and the number of no cholesterol risk. It is characterized by increasing the sample data in the training data set so as to reduce the difference if the difference is equal to or greater than a predetermined value.
  • the learning processing unit generates a first cholesterol risk estimation model and a second cholesterol risk estimation model by machine learning, respectively, based on different types of training data sets, and the estimation processing unit generates the first cholesterol risk estimation model and the second A cholesterol risk estimation model is used to calculate a cholesterol risk estimate for a given user.
  • a biological information estimator for estimating at least one biological information selected from BMI, blood pressure, pulse wave data, electrocardiogram data, biological impedance, and oxygen saturation included in the biological information;
  • the biometric information estimated by the estimation unit is obtained as the biometric information of the predetermined user.
  • the cholesterol risk estimating device In addition to the cholesterol risk estimating device, it is characterized by further comprising a biological information measuring device that measures noninvasive biological information to constitute a noninvasive cholesterol risk estimating system.
  • the method for estimating cholesterol risk in the present invention includes steps of storing a training data set including attribute information of a subject, noninvasive biological information, and cholesterol measured values measured from blood, and performing machine learning based on the training data set. and using the cholesterol risk estimation model to calculate a cholesterol risk estimate for a given user based on demographic information and/or non-invasive biometric information of the given user. characterized by comprising
  • the program in the present invention comprises steps of storing a training data set including attribute information of a subject, non-invasive biological information, and cholesterol measurement values measured from blood; generating an estimation model; and using the cholesterol risk estimation model to calculate a cholesterol risk estimate for a given user based on demographic information and/or non-invasive biometric information of the given user. It is characterized by executing
  • a cholesterol risk estimating device capable of extremely accurately estimating the health risk of cholesterol, that is, LDL cholesterol or HDL cholesterol, by machine learning using non-invasive biological information, cholesterol risk. It is to provide an estimation method and program.
  • FIG. 1 is a block diagram showing a schematic configuration of a cholesterol risk estimation system; FIG. It is a figure for demonstrating ESG (Electroscangram). It is a hardware block diagram of a cholesterol risk estimation apparatus.
  • 4 is a flow chart showing a procedure for generating an LDL cholesterol risk estimation model by machine learning; 4 is a flow chart showing an execution procedure of LDL cholesterol risk estimation processing; 4 is a flow chart showing a procedure for generating an HDL cholesterol risk estimation model by machine learning;
  • FIG. 10 is a flow chart showing an execution procedure of HDL cholesterol risk estimation processing;
  • FIG. 4 is an ROC_AUC curve of estimation results in Example 1.
  • FIG. 10 is an ROC_AUC curve of estimation results in Example 2.
  • FIG. 10 is a ROC_AUC curve of estimation results in Example 3.
  • FIG. 10 is an ROC_AUC curve of estimation results in Example 1.
  • FIG. 1 is a block diagram showing a schematic configuration of a cholesterol risk estimation system 1 according to this embodiment.
  • the cholesterol risk estimation system 1 includes a terminal device 10 , a biological information measurement device 20 , a cholesterol risk estimation device 30 and a display device 39 .
  • a "user” refers to a person who uses the cholesterol risk estimation system to non-invasively obtain an estimate of cholesterol risk.
  • subjects are used in the cholesterol risk estimation system after obtaining prescribed procedures and consent, attribute information such as age and gender, non-invasive biological information, and cholesterol measured from blood.
  • the terminal device 10 is an information terminal capable of inputting user attribute information (name, ID, age, gender, etc.) and outputting the input information to the cholesterol risk estimation device 30 via a wired or wireless communication network.
  • Any information terminal may be used as long as it is. Examples include tablet terminals, smart phones, mobile terminals including wearable terminals, and PCs (Personal Computers).
  • the height, weight, and the like may be measured by the biological information measuring device 20, which will be described later.
  • the biological information measuring device 20 measures the user's non-invasive biological information.
  • non-invasive biometric information is biometric information obtained by a method that does not require the insertion of instruments into the skin or into body orifices.
  • Non-invasive biological information can be measured using commercially available stature scales, weight scales, sphygmomanometers, pulse oximeters, pulse wave meters, electrocardiographs, impedance measuring devices, galvanic skin measuring devices, and the like.
  • ESTEC BC-3 which can simultaneously measure pulse wave data, electrocardiogram data, bioimpedance, and oxygen saturation (SpO2), can also be used. These devices can noninvasively measure biometric data without imposing a psychological or physical burden on the user.
  • the non-invasive biological information includes BMI (body mass index), blood pressure, pulse wave data, electrocardiogram data, and bioimpedance, or a combination thereof, and oxygen saturation (SpO2 ) may be included.
  • Pulse wave data is obtained by irradiating red light ( ⁇ 660 nm) from a Red LED and near-infrared light ( ⁇ 905 nm) from an IR LED to a protruding part of the body, such as a finger, using a pulse wave meter or pulse oximeter. is obtained by measuring the phototransistor.
  • Pulse wave data include pulse, elastic index, peripheral vascular resistance, accelerogram, b/a, e/a, -d/a, Takazawa accelerometer aging index, ejection fraction, LVET, DEI elastic index), or a combination thereof.
  • the elastic index is a numerical value obtained by dividing the height by the time from the systolic peak to the diastolic peak detected in the finger plethysmogram.
  • Peripheral vascular resistance is determined by mean arterial pressure/cardiac output ⁇ 80.
  • DEI depleted elastic index
  • 0.3 to 0.7 is normal, 0.3 or less suggests hypertension or arteriosclerosis, and 0.7 or more suggests acute anxiety.
  • the acceleration pulse wave is a second derivative of photoplethysmogram (SDPTG) of finger plethysmogram (photoplethysmogram: PTG).
  • Acceleration pulse wave includes early positive wave (a-wave), early negative wave (b-wave), mid-systolic re-rising wave (c-wave), late-systolic re-descending wave (d-wave), and diastolic early positive wave (e-wave).
  • the above b/a, e/a, and -d/a are calculated from the ratio of each wave height.
  • vascular aging is evaluated using the Takazawa acceleration pulse wave aging index (bcde)/a. be able to.
  • Ejection fraction is the fraction of blood ejected from the ventricle with each heartbeat and is proportional to the Accelerometer Plethysmographic Aging Index.
  • LVET is Left Ventricular Ejection Time, the time for blood in the left ventricle to be ejected into the aorta after the aortic valve opens.
  • Electrocardiogram data can be measured by electrode electrocardiography (ECG) or photoplethysmography (PPG).
  • ECG data includes respiratory rate, heart rate, RR interval, standard deviation of RR interval, MxDMn ratio, power spectrum of low frequency band, power spectrum of high frequency band, heart rate variability index LF/HF, total power, or combinations thereof.
  • the RR interval is the interval from one QRS wave to the next QRS wave in an electrocardiogram.
  • the MxDMn ratio is the ratio of the longest RR interval to the shortest RR interval in time and is an index of irregular heartbeats.
  • the total power is the calculated value of the total power of the power spectrum of frequencies 0 to 0.4 Hz (VLF, LF, HF) measured for 2 minutes.
  • This value reflects the total autonomic nervous system activity dominated by sympathetic activity.
  • the high frequency power spectral ratio (0.1875 to 0.50 Hz: HF)
  • the low frequency power spectral ratio (0.05 to 0.1875 Hz: LF)
  • the LF/HF ratio the power spectrum ratio of the very low frequency band (0-0.05 Hz: VLF)
  • the impedance (conductance) of a living body can be measured, for example, by passing weak electricity between two of the six electrodes on both legs, both hands, and left and right forehead.
  • ⁇ S anode/cathode conductance
  • ⁇ S cathode/anode conductance
  • ⁇ S/m electrical conductivity
  • muscle mass, body fat mass, total water content, phase angle, and resistance value can be measured at the same time.
  • the dielectric constant ( ⁇ Si) when the current is applied between the right hand and the left hand and between the right forehead and the left forehead is also possible. It is preferable to measure the impedance (conductance) of the living body using 22 patterns of conductivity from six electrodes.
  • Bioimpedance includes body fat mass (kg), body fat mass (%), lean mass, lean mass, muscle mass, total water content (kg), total water content (%), intracellular water content (% ), cardiac output, 1 left forehead-2 left hand/SCR A, 1 left left-2 left hand/delta SCR C-SCR A, 5 left hand-6 left foot/SCR A, 5 left hand-6 left foot/delta SCR C- SCR A, 13 left foot - 14 right foot / SCR C, 13 left foot - 14 right foot / SCR A, 15 right hand - 16 left forehead / Delta SCR C - SCR A, 15 right hand - 16 left forehead SCR C, 19 right foot - 20 left hand / Delta SCR C-SCR A, ESG2+4+15+17 ( ⁇ S/m), ESG6+13+19 (%), ESG 6+8+19+21 (%), ESG6+8+19+21 ( ⁇ S/m), ESG 9+10 ( ⁇ S/m), ESG9+10
  • ESG is an abbreviation for electroscangram.
  • the "+" in ESG2+4+15+17 means which electrode attached to the body was used to measure.
  • ESG 2 + 4 + 15 + 17, as shown in Fig. 2 is the left hand when electricity is applied from the left hand to the left forehead, the right hand when electricity is applied from the right hand to the right forehead, the right hand when electricity is applied from the right hand to the left forehead, and the left hand to the right forehead. It means the average value of the conductance measured with the left hand when the current is applied.
  • Non-Patent Document 1 has a detailed description of these conductances.
  • Non-Patent Documents 2 and 3 The details of the ESG (electroscangram) measurement method are described in Non-Patent Documents 2 and 3.
  • “1 left side -2 left hand/SCR A” is the conductance (or conductivity) of the path measured when electricity flows so that "1 left side” is the cathode and "2 left hand” is the anode direction.
  • “5 left hand - 6 left foot / delta SCR C-SCR A” is the difference in conductance measured when current is applied between "5 left hand” and "6 left foot” so that anode-cathode, cathode-anode. be.
  • BMI and blood pressure can be measured using a height weight scale and a blood pressure monitor.
  • the non-invasive biological information may also include oxygen delivery calculated from SpO2 and cardiac output.
  • the measured noninvasive biological information is output to the cholesterol risk estimation device 30 through a wired or wireless communication network.
  • the biological information measuring device 20 may be a built-in measuring device or a portable measuring device such as a wearable terminal.
  • the cholesterol risk estimation device 30 includes a first acquisition unit 31, a second acquisition unit 32, a user data storage unit 33, a training data storage unit 34, a learning processing unit 35, an estimation model storage unit 36, and an estimation process.
  • a section 37 and an estimated data storage section 38 are provided.
  • the first acquisition unit 31 acquires user attribute information from the terminal device 10 .
  • the second acquisition unit 32 acquires non-invasive biological information of the user from the biological information measuring device 20 .
  • the user data storage unit 33 stores user attribute information and non-invasive biological information acquired from the first acquisition unit 31 and the second acquisition unit 32 .
  • the training data storage unit 34 stores, as a training data set for machine learning, attribute information of a plurality of subjects acquired in advance, non-invasive biological information, and cholesterol obtained from blood tests (LDL cholesterol or HDL cholesterol ) are stored.
  • the specimen test information may further include test information obtained from blood, urine, stool, and the like.
  • the learning processing unit 35 acquires the training data set stored in the training data storage unit 34 and creates a cholesterol risk estimation model using the training data set. Specifically, when estimating LDL cholesterol risk, machine learning using gradient boosting such as XGBoost is performed on the obtained training dataset to learn the relationship between attribute information and non-invasive biometric information and LDL cholesterol risk. In addition, when estimating HDL cholesterol risk, the obtained training data set is standardized or normalized, and the relationship between attribute information and non-invasive biometric information and HDL cholesterol risk is learned by machine learning using logistic regression.
  • the estimated model storage unit 36 stores the cholesterol risk estimated model generated by the learning processing unit 35 .
  • the non-invasive biometric information includes BMI, blood pressure, pulse wave data, electrocardiogram data, bioimpedance, or a combination thereof. Additionally, oxygen saturation (SpO2) is included as needed.
  • the estimation processing unit 37 uses the estimation model generated by the learning processing unit 35 to estimate the user's cholesterol risk based on predetermined user attribute information and/or non-invasive biological information. The estimated cholesterol risk value is then stored in the estimated data storage unit 38 .
  • the display device 39 can display the estimated cholesterol risk value together with the user's attribute information and non-invasive biological information. These data may be displayed on the terminal device 10 owned by the user.
  • FIG. 3 is a hardware configuration diagram of the cholesterol risk estimation device 30.
  • cholesterol risk estimation device 30 is configured by computer 300 having one or more processors 301 , memory 302 , storage 303 , input/output port 304 and communication port 305 .
  • the processor 301 performs processing related to cholesterol estimation according to this embodiment by executing a program.
  • the memory 302 temporarily stores programs and computation results of the programs.
  • Storage 303 stores a program for executing processing by cholesterol risk estimation device 30 .
  • the storage 303 may be of any kind as long as it is readable by a computer, for example, various recording media such as a recording medium (magnetic disk, optical disk, etc.), random access memory, flash type memory, read-only memory, etc. can be used.
  • the input/output port 304 inputs information from the terminal device 10 and the biological information measuring device 20 and outputs estimated cholesterol values to the display device 39 .
  • a communication port 305 transmits and receives data to and from an information terminal such as another computer (not shown). As a communication method, wireless communication or wired communication can be used.
  • the cholesterol risk estimating device 30 can be implemented by a commercially available desktop PC or notebook PC, and it takes several seconds to calculate the cholesterol risk estimated value using the estimation model.
  • the processor 301 of the cholesterol risk estimation device 30 the first acquisition unit 31, the second acquisition unit 32, the learning processing unit 35, the estimation processing unit 37, etc. function when operating.
  • Cholesterol estimation model is generated by machine learning based on non-invasive biological data including BMI (body mass index), blood pressure, pulse wave data, electrocardiogram data, bioimpedance, etc. to estimate cholesterol without blood test. becomes possible. Moreover, as shown below, it is possible to determine whether or not cholesterol is normal even when the number of each data included in the noninvasive biological data is limited.
  • BMI body mass index
  • blood pressure blood pressure
  • pulse wave data pulse wave data
  • electrocardiogram data electrocardiogram data
  • bioimpedance bioimpedance
  • FIG. 4 is a flow chart showing a procedure for generating an LDL cholesterol risk estimation model by machine learning.
  • the learning processing unit 35 preprocesses input data (for example, the training data set described above). Specifically, the learning processing unit 35 converts the LDL cholesterol obtained from the blood test to 0 (no risk) when the LDL cholesterol is less than 120 mg/dl and 1 (with risk) when the LDL cholesterol is 120 mg/dl or more. In addition, when the number of people classified as 0 and the number of people classified as 1 are unbalanced, the learning processing unit 35 applies SMOTE (Chawla, NV. et al.
  • Training samples may be generated artificially. That is, in the input data (training data set), a label indicating the presence or absence of LDL cholesterol risk (for example, 0 or 1 described above) is added based on LDL cholesterol obtained by a blood test, and in the label, LDL cholesterol risk If the difference between the number of positive (label: 1) and the number of no LDL cholesterol risk (label: 0) is greater than or equal to a predetermined value, increase (generate) the sample data in the training dataset to reduce this difference ).
  • the learning processing unit 35 performs machine learning using a gradient boosting decision tree.
  • Machine learning using gradient boosted regression trees can use software libraries such as XGBoost, CatBoost, and LightBGM.
  • the risk value (0: no risk, 1: risk) obtained by comparing the LDL cholesterol level obtained from a blood test with a predetermined threshold was compared with the LDL cholesterol risk value estimated by machine learning.
  • each parameter of XGBoost max_depth, subsample, colsample_bytree, learning_rate
  • max_depth is the depth of the decision tree
  • subsample is the proportion of randomly sampled samples in each tree
  • colsample_bytree is the proportion of randomly sampled columns in each tree
  • learning_rate indicates the learning rate.
  • the learning processing unit 35 stores the LDL cholesterol risk estimation model generated by the learning process described above in the estimation model storage unit 36 . It should be noted that the machine learning algorithms described above are merely examples, and the present invention is not limited to these.
  • step ST201 the first acquisition unit 31 of the cholesterol risk estimation device 30 acquires user attribute information from the terminal device 10.
  • step ST202 the second acquisition unit 32 of the cholesterol risk estimation device 30 acquires non-invasive biological information of the user. Then, the user's attribute information and non-invasive biological information are stored in the user data storage unit 33 .
  • step ST203 using the LDL cholesterol risk estimation model stored in the estimation model storage unit 36, the estimation processing unit 37 determines the probability of belonging to class 0 (no risk) or class 1 (with risk), that is, LDL cholesterol. Calculate risk estimates.
  • step ST204 the calculated LDL cholesterol risk estimated value is stored in the estimated data storage unit 38, and in step ST205, the LDL cholesterol risk estimated value is output to an external terminal such as the display device 39 for display.
  • FIG. 6 is a flow chart showing a procedure for generating an HDL cholesterol risk estimation model by machine learning.
  • the learning processing section 35 preprocesses the input data. Specifically, the learning processing unit 35 converts HDL cholesterol of 40 mg/dl or more into 0 (no risk) and less than 40 mg/dl of HDL cholesterol obtained by a blood test into 1 (with risk). In addition, when the number of people classified as 0 and the number of people classified as 1 are unbalanced, the learning processing unit 35 applies SMOTE (Chawla, NV. et al. 2002) to the learning data, Training samples may be generated artificially.
  • SMOTE Chowla, NV. et al. 2002
  • a label indicating the presence or absence of HDL cholesterol risk (e.g., 0 or 1 above) is added based on HDL cholesterol obtained by a blood test, and in the label, HDL cholesterol risk If the difference between the number of cases with HDL cholesterol risk (label: 1) and the number of cases without HDL cholesterol risk (label: 0) is greater than or equal to a predetermined value, increase (generate) the sample data in the training dataset to reduce this difference. ). Further standardize and normalize the data.
  • the learning processing unit 35 performs machine learning by logistic regression.
  • Logistic Regression provided by Scikit-learn, which is an open source machine learning library for Python, can be used. Also, if necessary, the number of dimensions may be compressed by principal component analysis.
  • the risk value (0: no risk, 1: risk) obtained by comparing the HDL cholesterol level obtained from a blood test with a predetermined threshold was compared with the HDL cholesterol risk value estimated by machine learning.
  • each parameter of Logistic Regression (C, regularization method, max_iter, solver) was adjusted to maximize the f1 score to generate an HDL cholesterol risk estimation model.
  • C is a trade-off parameter that determines the strength of regularization, and the larger the value, the weaker the strength of regularization.
  • Regularization method means L1 regularization or L2 regularization, which is selected.
  • max_iter is the maximum number of iterations to learn.
  • the solver chooses a convergence method (eg L-BFGS method, Newton CG method, liblinear, sag and saga) that minimizes the cross-entropy error. In Examples 2 and 3 below, the liblinear method was selected.
  • the learning processing unit 35 stores the HDL cholesterol risk estimation model generated by the learning process described above in the estimation model storage unit 36 . It should be noted that the machine learning algorithms described above are merely examples, and the present invention is not limited to these.
  • step ST401 the first acquisition unit 31 of the cholesterol risk estimation device 30 acquires user attribute information from the terminal device 10.
  • step ST402 the second acquiring unit 32 of the cholesterol risk estimating device 30 acquires non-invasive biological information of the user. Then, the user's attribute information and non-invasive biological information are stored in the user data storage unit 33 . Then, in step ST403, using the HDL cholesterol risk estimation model stored in the estimation model storage unit 36, the estimation processing unit 37 determines the probability of belonging to class 0 (no risk) or class 1 (with risk), that is, HDL cholesterol. Calculate risk estimates.
  • step ST404 the calculated HDL cholesterol risk estimated value is stored in the estimated data storage section 38, and in step ST405, the HDL cholesterol risk estimated value is output to an external terminal such as the display device 39 and displayed.
  • LDL cholesterol risk estimation An example of LDL cholesterol risk estimation is described below.
  • Attribute information includes ID, name, age, gender, or a combination thereof
  • non-invasive biometric information includes BMI, blood pressure, pulse wave data, electrocardiogram data, bioimpedance, and oxygen saturation. (SpO2), or combinations thereof.
  • Height and weight which are the criteria for calculating BMI, were measured using a height scale and weight scale, respectively, and blood pressure was measured using a sphygmomanometer.
  • Pulse wave data, electrocardiogram data, bioimpedance, and oxygen saturation (SpO2) were measured with Estech BC-3 (Ryobi Systems).
  • the non-invasive biometric information may be acquired using a predetermined wearable terminal.
  • Bioimpedance (conductance) was measured by passing a weak electric current between two of six electrodes on both feet, both hands, and left and right forehead. The voltage and current were 1.28 V, 200 ⁇ A and the conductance was measured for 32 milliseconds per second. Current was applied to two of the six electrodes, and (1) anode/cathode conductance ( ⁇ S), (2) cathode/anode conductance ( ⁇ S), (3) conductance measured in (1) above.
  • Estec BC-3 measured pulse wave data, electrocardiogram data, bioimpedance, and oxygen saturation (SpO2) for 2 minutes for each subject.
  • a device equipped with electrocardiogram, pulse wave monitor, and pulse oximeter functions was attached to the subject's left index finger, and two electrodes were attached to the forehead. placed on top.
  • ⁇ Learning model 1> In learning model 1, as shown in FIG. 4, machine learning was performed using a gradient boosting decision tree. At this time, the following data were selected and used as attribute information and non-invasive biological data.
  • A Attribute information/Age
  • B Non-invasive biological data
  • Blood pressure diastolic blood pressure
  • Pulse wave data elastic index
  • Electrocardiogram data heart rate, standard deviation of RR interval Bioimpedance ⁇ Body fat mass (kg), muscle mass, total water content (%), cardiac output, 5 left hand-6 left leg/SCRA, ESG2+4+15+17 ( ⁇ S/m), ESG 9+10 ( ⁇ S/m), ESG9+10 (%), R ( ⁇ )
  • ESG9+10 is the average impedance value measured at the site shown in FIG.
  • the non-invasive biometric data further includes cardiac output included in bioimpedance and oxygen delivery estimated from oxygen saturation (SpO2).
  • Example 1 In Example 1, (1) attribute information of 712 subjects, (2) height and weight scale, sphygmomanometer, and noninvasive biological information measured by Estech BC-3, and (3) noninvasive biological information measurement and An LDL cholesterol risk estimation model was generated through machine learning of learning model 1 above using a training data set of LDL cholesterol obtained from a blood test performed on the same day. Then, the estimated accuracy of the LDL cholesterol risk estimation model was evaluated by the ROC_AUC curve. As a result, ROC_AUC showed 0.71, which exceeded 0.7 indicating that good classification was achieved.
  • FIG. 8 shows the ROC_AUC curve of the estimation result of Example 1. As shown in FIG.
  • Attribute information includes ID, name, age, gender, or a combination thereof
  • non-invasive biometric information includes BMI, blood pressure, pulse wave data, electrocardiogram data, bioimpedance, and oxygen saturation. (SpO2), or combinations thereof.
  • Height and weight which are the criteria for calculating BMI, were measured using a height scale and weight scale, respectively, and blood pressure was measured using a sphygmomanometer.
  • Pulse wave data, electrocardiogram data, bioimpedance, and oxygen saturation (SpO2) were measured with Estech BC-3 (Ryobi Systems).
  • the non-invasive biometric information may be acquired using a predetermined wearable terminal.
  • Bioimpedance (conductance) was measured by passing a weak electric current between two of six electrodes on both feet, both hands, and left and right forehead. The voltage and current were 1.28 V, 200 ⁇ A and the conductance was measured for 32 milliseconds per second. Current was applied to two of the six electrodes, and (1) anode/cathode conductance ( ⁇ S), (2) cathode/anode conductance ( ⁇ S), (3) conductance measured in (1) above.
  • Estec BC-3 measured pulse wave data, electrocardiogram data, bioimpedance, and oxygen saturation (SpO2) for 2 minutes for each subject.
  • a device equipped with electrocardiogram, pulse wave monitor, and pulse oximeter functions was attached to the subject's left index finger, and two electrodes were attached to the forehead. placed on top.
  • ⁇ Learning model 2> In learning model 2, as shown in FIG. 6, machine learning was performed by logistic regression. At this time, the following data were selected and used as attribute information and non-invasive biological data.
  • A Attribute information/Gender
  • B Non-invasive biological data/Blood pressure
  • Pulse pressure/Pulse wave data ...Peripheral vascular resistance, pulse rate, e/a, acceleration pulse wave aging index/Electrocardiogram data... ⁇ LF/HF ⁇ Bioimpedance ⁇ Fat-free percentage (%), 15 right hand-16 left forehead/SCRC, ESG 9+10 ( ⁇ S/m), permittivity of forehead path ⁇ Pulse oximeter ⁇ SpO2
  • the noninvasive biological data further includes cardiac output included in bioimpedance, oxygen delivery estimated from oxygen saturation (SpO2), and pulse pressure/pulse calculated from pulse and pulse pressure.
  • ⁇ Learning model 3> In learning model 3, as shown in FIG. 6, machine learning was performed by logistic regression. At this time, the following data were selected and used as attribute information and non-invasive biological data.
  • A Attribute information/Sex
  • B Non-invasive biometric data/BMI/ECG data: RR interval, bioimpedance: cardiac output, 13 left leg-14 right leg/SCRC, R ( ⁇ )
  • noninvasive biometric data further includes cardiac output included in bioimpedance and oxygen delivery estimated from oxygen saturation (SpO2).
  • Example 2 In Example 2, (1) attribute information of 321 subjects, (2) height and weight scale, sphygmomanometer, and noninvasive biological information measured by Estec BC-3, and (3) noninvasive biological information measurement and An HDL cholesterol risk estimation model was generated through machine learning of learning model 2 above using a training data set of HDL cholesterol obtained from a blood test performed on the same day. Then, the estimated accuracy of the HDL cholesterol risk estimation model was evaluated by the ROC_AUC curve. As a result, ROC_AUC showed 0.78, which exceeded 0.7 indicating that good classification was achieved.
  • FIG. 9 shows the ROC_AUC curve of the estimation result of Example 2. As shown in FIG.
  • Example 3 In Example 3, (1) attribute information of a total of 712 subjects, (2) height and weight scale, sphygmomanometer, and noninvasive biological information measured by Estec BC-3, and (3) noninvasive biological information An HDL cholesterol risk estimation model was generated through machine learning of learning model 3 above using a training data set of HDL cholesterol obtained from a blood test performed on the same day as the measurement. Then, the estimated accuracy of the HDL cholesterol risk estimation model was evaluated by the ROC_AUC curve. As a result, ROC_AUC showed 0.87, exceeding 0.8 indicating that very good classification was achieved.
  • FIG. 10 shows the ROC_AUC curve of the estimation result of Example 3.
  • HDL cholesterol risk may be estimated using a plurality of learning models. This enables more accurate estimation than estimating the HDL cholesterol risk using one learning model.
  • BMI is generally not obtained by wearable terminals, etc., but is obtained from the height and weight entered by the user, but by estimating the BMI and obtaining only biological information, the above-mentioned cholesterol risk is obtained. Therefore, convenience for the user is improved.
  • the method of estimating BMI is not particularly limited, for example, BMI is known to be correlated with the inclination of the user's abdomen (at a predetermined position).
  • a predetermined acceleration sensor is provided on the abdomen of the user (or a wristband-type wearable terminal equipped with an acceleration sensor is applied to the abdomen), and the inclination of the abdomen is calculated based on the data output from the acceleration sensor. may be obtained and estimated BMI.
  • pulse wave data and oxygen saturation may also be estimated using a wristband-type wearable terminal equipped with a pulse wave sensor or medium oxygen concentration sensor, as described above.
  • blood pressure may also be estimated using a wristband-type wearable terminal or the like in the same manner as described above. Since it is known that there is a correlation between the speed of the pulse wave sent through the artery by the heartbeat and the blood pressure, using a predetermined sensor that measures the speed of the pulse wave sent through the artery by the heartbeat, Blood pressure may be estimated.
  • electrocardiogram data may also be estimated using a wristband-type wearable terminal or the like in the same manner as described above.
  • the electrocardiogram data can be estimated based on the data obtained from the electrodes provided on the surface opposite to the display surface of the wristband wearable terminal and the electrodes provided on the display surface side.
  • the wrist of a hand for example, left hand wearing a wristband-type wearable terminal is in contact with the electrode provided on the opposite side, and the hand attached to the electrode provided on the display surface side
  • Electrocardiogram data may be estimated from data obtained by contacting the fingertips of the opposite hand (eg, right hand).
  • bioimpedance may also be estimated using a wristband-type wearable terminal or the like equipped with various electrodes.
  • bioimpedance may be estimated based on biometric information obtained from the chest and wrist using a wristband-type wearable terminal or the like.
  • biometric information that can be acquired by the wearable terminal and the biometric information to be estimated (BMI, blood pressure, pulse wave data, electrocardiogram data, and biometric information of at least one or more of bioimpedance and oxygen saturation)
  • BMI blood pressure
  • pulse wave data pulse wave data
  • electrocardiogram data electrocardiogram data
  • biometric information of at least one or more of bioimpedance and oxygen saturation As teacher data, classifiers generated using various machine learning algorithms may be used to estimate the biometric information of the estimation target described above.
  • the above-described second acquisition unit may acquire the estimated biological information.
  • the series of processes described above can be executed by hardware or by software.
  • the functional configuration described above is merely an example and is not particularly limited. In other words, it is sufficient for the information processing system to have a function capable of executing the series of processes described above as a whole, and what kind of functional block is used to realize this function is not particularly limited to the example described above.
  • the locations of the functional blocks are not particularly limited to those shown in FIG. 1, and may be arbitrary.
  • the functional blocks of the server may be transferred to another terminal, device, or the like.
  • functional blocks of other terminals or devices may be transferred to a server or the like.
  • one functional block may be composed of hardware alone, software alone, or a combination thereof.
  • the computer may be a computer built into dedicated hardware. Also, the computer may be a computer capable of executing various functions by installing various programs, such as a server, a general-purpose smart phone, or a personal computer.
  • a recording medium containing such a program not only consists of a removable medium (not shown) that is distributed separately from the device main body in order to provide the program to the user, etc., but is also preinstalled in the device main body and stored in the user's memory. It is composed of a recording medium etc. provided for Since the program can be distributed via a network, the recording medium may be installed in or accessible to a computer connected or connectable to the network.
  • the steps of writing a program recorded on a recording medium are not necessarily processed chronologically according to the order, but may be executed in parallel or individually. It also includes the processing to be performed.
  • the term "system” means an overall device composed of a plurality of devices, a plurality of means, or the like.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Optics & Photonics (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

【課題】従来、ＬＤＬコレステロールやＨＤＬコレステロールの測定には、被験者の血液を採取し、生化学的に分析を行う必要があった。しかしながら、この方法では、侵襲的に被験者の皮膚に針等を刺す必要があり、被験者にとって心理的または肉体的な負担を伴うという課題があった。 【解決手段】本発明によれば、事前に取得した複数の被験者の属性情報、非侵襲な生体情報、および血液検査の検査データに基づき機械学習によりコレステロール推定モデルを生成することで、所定のユーザの属性情報および／または非侵襲な生体情報から非侵襲にコレステロールを推定することが可能となる。

Description

コレステロールリスク推定装置、コレステロールリスク推定方法及びプログラム
　本発明は、コレステロールリスク推定装置、コレステロールリスク推定方法及びプログラムに関する。
　血中に含まれるリポタンパクは、カイロミクロン、ＶＬＤＬ（Ｖｅｒｙ　Ｌｏｗ　Ｄｅｎｓｉｔｙ　Ｌｉｐｏｐｒｏｔｅｉｎ）、ＬＤＬ（Ｌｏｗ　Ｄｅｎｓｉｔｙ　Ｌｉｐｏｐｒｏｔｅｉｎ）コレステロール、ＨＤＬ（Ｈｉｇｈ Ｄｅｎｓｉｔｙ　Ｌｉｐｏｐｒｏｔｅｉｎ）コレステロールの４種類に分類することができる。
　ＨＤＬコレステロールは善玉コレステロールとも称され、血中に不足すると動脈硬化などの疾患リスクが上昇することが一般的に知られている。人間ドック学会が制定する血液検査での判定基準によると、ＨＤＬコレステロールが４０mg/dL以上であれば異常なし、４０mg/dL未満であればリスク有と判定される。
　また、ＬＤＬコレステロールは悪玉コレステロールとも称され、血中に多く存在すると動脈硬化などの疾患リスクが上昇することが一般的に知られている。人間ドック学会が制定する血液検査での判定基準によると、ＬＤＬコレステロールが１２０mg/dL未満であれば異常なし、１２０mg/dL以上であればリスク有と判定される。
　従来、ＬＤＬコレステロールやＨＤＬコレステロールの測定には、被験者の血液を採取し、生化学的に分析を行う必要があった。しかしながら、この方法では、侵襲的に被験者の皮膚に針等を刺す必要があり、被験者にとって心理的または肉体的な負担を伴うという課題があった。非侵襲的にリポタンパク全体として脂質を測定する方法としては特許文献１に記載の方法が知られている。
国際公開第２０１４／０８７８２５号公報
Psychology Research and Behavior Management 2011:4 81-86、Summary of the clinical investigations E.S.Teck Complex March, 20, 2010要旨 R. N. Chua, Y. W. Hau, C. M. Tiew and W. L. Hau, "Investigation of Attention Deficit/Hyperactivity Disorder Assessment Using Electro　Interstitial Scan Based on Chronoamperometry Technique," in IEEE　Access, vol. 7, pp. 144679-144690, 2019, doi:　10.1109/ACCESS.2019.2938095. Maarek A. Electro interstitial scan system: assessment of 10 years of research and development. Med Devices (Auckl). 2012;5:23-30. doi:10.2147/MDER.S29319
　しかしながら、特許文献１に記載された方法では、ＬＤＬ、ＨＤＬ等のリポタンパクの種類ごとに濃度を推定することができず、ＬＤＬコレステロールおよびＨＤＬコレステロールの個々について、健康へのリスクがあるか否かの判定を行うことは困難であった。
　本発明は上記のような事情に鑑みてなされたものであって、本発明の目的は、非侵襲な生体情報からコレステロール、すなわちＬＤＬコレステロールまたはＨＤＬコレステロールの健康へのリスクを極めて精度良く推定することが可能なコレステロールリスク推定装置、コレステロールリスク推定方法及びプログラムを提供することにある。
　本発明に係るコレステロールリスク推定装置は、所定のユーザの属性情報および非侵襲な生体情報を取得する情報取得部と、コレステロールリスク推定モデルを記憶する推定モデル記憶部と、コレステロールリスク推定モデルを用いて、所定のユーザの属性情報および／または非侵襲な生体情報に基づいて、所定のユーザのコレステロールリスク推定値を計算する推定処理部と、を備えることを特徴とする。
　本発明に係るコレステロールリスク推定装置は、訓練データセットを記憶する訓練データ記憶部と、訓練データセットに基づいて、機械学習によりコレステロールリスク推定モデルを生成する学習処理部と、をさらに備えることを特徴とする。
　属性情報は、年齢、および性別のいずれか、またはこれらの組み合わせを含み、非侵襲な生体情報はBMI、血圧、脈波データ、心電図データ、生体インピーダンス、またはこれらの組み合わせを含むことを特徴とする。
　訓練データセットは、被験者の属性情報、非侵襲な生体情報、および血液から測定されたコレステロール測定値を含むことを特徴とする。
　非侵襲な生体情報は、酸素飽和度（ＳｐＯ２）をさらに含むことを特徴とする。
　コレステロールリスク推定値の推定精度は、リスクの有無をROC_AUCが０．７以上で分類可能な精度であることを特徴とする。
　学習処理部は、訓練データセットにおいて、血液から測定されたコレステロールの測定値に基づいてコレステロールリスクの有無を示すラベルを付加し、ラベルにおいて、コレステロールリスク有りの数と、コレステロールリスク無しの数との差が所定の値以上の場合は、差を小さくするように訓練データセットにおけるサンプルデータを増加させる、ことを特徴とする。
　学習処理部は、異なる種類の訓練データセットに基づいて、それぞれ機械学習により第１コレステロールリスク推定モデルおよび第２コレステロールリスク推定モデルを生成し、推定処理部は、第１コレステロールリスク推定モデルおよび第２コレステロールリスク推定モデルを用いて、所定のユーザのコレステロールリスク推定値を計算する、ことを特徴とする。
　生体情報に含まれるBMI、血圧、脈波データ、心電図データ、および生体インピーダンス、酸素飽和度のうち少なくとも１つ以上の生体情報を推定する生体情報推定部をさらに備え、情報取得部は、生体情報推定部によって推定された生体情報を所定のユーザの生体情報として取得する、ことを特徴とする。
　コレステロールリスク推定装置に加えて、非侵襲な生体情報を測定する生体情報測定装置をさらに備え、非侵襲コレステロールリスク推定システムを構成することを特徴とする。
　本発明におけるコレステロールリスク推定方法は、被験者の属性情報、非侵襲な生体情報、および血液から測定されたコレステロールの測定値を含む訓練データセットを記憶するステップと、訓練データセットに基づいて、機械学習によりコレステロールリスク推定モデルを生成するステップと、コレステロールリスク推定モデルを用いて、所定のユーザの属性情報および／または非侵襲な生体情報に基づいて、所定のユーザのコレステロールリスク推定値を計算するステップを含むことを特徴とする。
　本発明におけるプログラムは、被験者の属性情報、非侵襲な生体情報、および血液から測定されたコレステロールの測定値を含む訓練データセットを記憶するステップと、訓練データセットに基づいて、機械学習によりコレステロールリスク推定モデルを生成するステップと、コレステロールリスク推定モデルを用いて、所定のユーザの属性情報および／または非侵襲な生体情報に基づいて、所定のユーザのコレステロールリスク推定値を計算するステップと、をコンピュータに実行させることを特徴とする。
　本発明によれば、非侵襲な生体情報を用いて機械学習により極めて精度良くコレステロール、すなわちＬＤＬコレステロールまたはＨＤＬコレステロールの健康へのリスクを極めて精度良く推定することが可能なコレステロールリスク推定装置、コレステロールリスク推定方法及びプログラムを提供することにある。
コレステロールリスク推定システムの概略構成を示すブロック図である。 ESG（エレクトロスキャングラム）を説明するための図である。 コレステロールリスク推定装置のハードウェア構成図である。 機械学習によるＬＤＬコレステロールリスク推定モデルの生成実行手順を示すフローチャートである。 ＬＤＬコレステロールリスク推定処理の実行手順を示すフローチャートである。 機械学習によるＨＤＬコレステロールリスク推定モデルの生成実行手順を示すフローチャートである。 ＨＤＬコレステロールリスク推定処理の実行手順を示すフローチャートである。 実施例１における推定結果のROC_AUC曲線である。 実施例２における推定結果のROC_AUC曲線である。 実施例３における推定結果のROC_AUC曲線である。
　以下、実施形態について図面を参照しつつ説明する。なお、実施形態は例示であり、本発明は下記の構成に限定されるものではない。
＜装置の機能＞
　図１～図７を参照して、本実施形態に係るコレステロールリスク推定システム１およびコレステロールリスク推定装置３０を説明する。図１は、本実施形態に係るコレステロールリスク推定システム１の概略構成を示すブロック図である。コレステロールリスク推定システム１は、端末装置１０と、生体情報測定装置２０と、コレステロールリスク推定装置３０と、表示装置３９とを備える。
　ここで、「ユーザ」とは、非侵襲にコレステロールリスクの推定値を得るために、コレステロールリスク推定システムを利用する人をいう。また、「被験者」とは、所定の手続きと同意を得た上で、年齢や性別等の属性情報、非侵襲な生体情報、および血液から測定されたコレステロール測定値を、コレステロールリスク推定システムにおいて利用される訓練データセットとして提供する人をいう。
　端末装置１０は、ユーザの属性情報（氏名、ＩＤ、年齢、性別等）が入力可能であり、かつ、入力された情報を有線または無線の通信ネットワークを通じてコレステロールリスク推定装置３０へ出力可能な情報端末であれば、いかなる情報端末であっても構わない。例えば、タブレット端末、スマートフォン、ウェアラブル端末等を含む携帯端末等、またはＰＣ（Ｐｅｒｓｏｎａｌ　Ｃｏｍｐｕｔｅｒ）が挙げられる。なお、身長や体重等は、後述する生体情報測定装置２０により測定してもよい。
　生体情報測定装置２０は、ユーザの非侵襲な生体情報を測定する。ここで、非侵襲な生体情報とは、皮膚内への、または体の開口部への器具の挿入を必要としない方法で取得した生体情報である。非侵襲な生体情報は、市販の身長計、体重計、血圧計、パルスオキシメーター、脈波計、心電図計、インピーダンス測定機、ガルバニック皮膚測定機等を利用して測定することが可能である。また、脈波データ、心電図データ、生体インピーダンス、酸素飽和度（ＳｐＯ２）を同時に測定可能な、エステックBC-3（両備システムズ）を利用することもできる。これらの装置は、ユーザに心理的、または肉体的な負担を与えることなく、非侵襲な生体データを測定することが可能である。
　本発明の実施形態において、非侵襲な生体情報は、ＢＭＩ（ボディマス指数）、血圧、脈波データ、心電図データ、および生体インピーダンスのいずれか、またはこれらの組み合わせを含み、さらに、酸素飽和度（ＳｐＯ２）を含んでもよい。
　ＢＭＩは身長ｈ[m]及び体重ｗ[kg]より、下記の計算式により算出される。
　ＢＭＩ＝w/ h2 [kg/m2]
　血圧には、収縮期血圧、拡張期血圧、脈圧、および平均動脈圧のいずれか、またはその組み合わせが含まれる。
　脈圧は下記の式により計算される。
　脈圧＝収縮期血圧―拡張期血圧
　平均動脈圧は下記の式により計算される。
　平均動脈圧＝拡張期血圧＋脈圧×１／３
　脈波データは、脈波計やパルスオキシメーターにより、指など体の突出した部位にRed LEDから赤色光(～660nm)、IR LEDから近赤外光(～905nm) を照射し、その透過光をフォトトランジスタ測定することで得られる。
　脈波データには、脈拍、弾性指数、末梢血管抵抗、加速度脈波、b/a、e/a、-d/a、高沢式加速度脈波加齢指数、駆出率、LVET、DEI（重拍弾性指数）のいずれか、またはこれらの組み合わせが含まれる。
　ここで弾性指数とは、身長を、指尖容積脈波において収縮期のピークから拡張期のピークが検出されるまでの時間で割って得られる数値である。末梢血管抵抗は、平均動脈圧／心拍出量×８０によって求められる。DEI（重拍弾性指数）は、拡張期血管の弾性を示す指標であり、PWV測定装置により測定可能である。0.3～0.7が正常、0.3以下で高血圧または動脈硬化の可能性があり、0.7以上では急性不安神経症の可能性が示唆される。
　加速度脈波は、指尖容積脈波（photoplethysmogram：PTG）の二次微分波（second derivative of photoplethysmogram：SDPTG）である。加速度脈波は、初期陽性波（ａ波）、初期陰性波（ｂ波）、収縮中期再上昇波（ｃ波）、収縮後期再降下波（ｄ波）、および拡張初期陽性波（ｅ波）より構成され、上記b/a、e/a、-d/aは、各波高の割合より計算される。加齢に伴ってb/aの上昇およびc/a、d/a、e/aの低下が認められるため、高沢式加速度脈波加齢指数（b-c-d-e）/aにより血管の加齢を評価することができる。駆出率は、各心拍で心室から送られる血液の割合であり、加速度脈波加齢指数に比例する。LVETは左心室駆出時間であり、大動脈弁解放後、左室内の血液が大動脈へ駆出される時間である。
　心電図データは、電極による心電図法（ECG）または光電脈波法（PPG）により測定可能である。
　心電図データには、呼吸数、心拍数、RR間隔、RR間隔の標準偏差、MxDMn比率、低周波帯のパワースペクトル、高周波帯のパワースペクトル、心拍数変動指標LF/HF、トータルパワーのいずれか、またはその組み合わせが含まれる。ここで、RR間隔とは、心電図のQRS波から次のQRS波までの間隔である。MxDMn比率とは、時間内の最も長いRR間隔と最も短いRR間隔の比であり、不規則な心拍の指数である。トータルパワーとは、２分間の分間測定における周波数0～0.4Hｚ（VLF,LF,HF）のパワースペクトルのトータルパワーの計算値である。この値は交感神経活動が主に占める自律神経系活動全体を反映する。心電図よりパワースペクトル密度を計算することで、高周波のパワースペクトル割合（０．１８７５～０．５０Ｈｚ：HF）、低周波のパワースペクトル割合（０．０５～０．１８７５Ｈｚ：LF）、LF/HF比、超低周波帯のパワースペクトル割合（０～０．０５Ｈｚ：VLF）を計算することができる。
　生体のインピーダンス（コンダクタンス）は、例えば、両脚、両手、左右額の計６か所の電極のうち、２か所の間に微弱な電気を流すことで測定することができる。６か所の電極中で２か所に電流を流すと、（１）アノード/カソードコンダクタンス（μS）、（２）カソード/アノードのコンダクタンス（μS）、（３）上記（１）で測定されたコンダクタンスと上記（２）で測定されたコンダクタンスの差分（デルタSCRA－SCRC）、（４）電気伝導度（μS/m）を測定することが可能である。また、筋量、体脂肪量、総水分量、位相角、抵抗値も同時に測定可能である。また、右手⇔左手間、右額⇔左額間で通電している際の誘電率（μSi）も可能である。６か所の電極から２２パターンの通電性を利用し、生体のインピーダンス（コンダクタンス）を測定することが好ましい。
　生体インピーダンスには、体脂肪量（kg）、体脂肪量（%）、除脂肪体重、除脂肪率、筋量、総水分量（kg）、総水分量（%）、細胞内水分量（%)、心拍出量、1額左側-2左手/SCR A、1額左側-2左手/デルタSCR C-SCR A、5左手-6左足/SCR A、5左手-6左足/デルタSCR C-SCR A、13左足-14右足/SCR C、13左足-14右足/SCR A、15右手-16額左側/デルタSCR C-SCR A、15右手-16額左側SCR C、19右足-20左手/デルタSCR C-SCR A 、ESG2＋4＋15＋17（μS/m）、ESG6＋13＋19（%）、ESG 6＋8＋19＋21 （%）、ESG6＋8＋19＋21（μS/m）、ESG 9＋10（μS/m）、ESG9＋10（%）、左足のコンダクタンス、R（Ω）、位相角、額経路の誘電率、額経路への電気伝導度(9)、片手-片手経路の誘電率手から手への電気伝導度（11,12）、1回拍出量（心拍出量÷心拍数）のいずれか一つまたはこれらの組み合わせを含む。
　ここで、SCRとは皮膚コンダクタンス反応（skin conductance response）の略称であり、ESGとはエレクトロスキャングラムの略称である。ESG2＋4＋15＋17の「＋」は、身体に添付されたどの電極で測定されたかを意味する。例えば、ESG2＋4＋15＋17とは、図2に示すように左手から左額へ通電した際の左手、右手から右額へ通電した際の右手、右手から左額へ通電した際の右手、左手から右額へ通電した際の左手で測定されたコンダクタンスの平均値を意味する。これらコンダクタンスに関しては非特許文献１に詳細な記載がある。なお、ESG（エレクトロスキャングラム）の測定方法については、非特許文献２、３に詳細が記載されている。
　「1額左側-2左手/SCR A」は、「1額左側」がカソード、「2左手」がアノード方向となるように電気が流れた際に測定された経路のコンダクタンス（または伝導性）であり、「5左手-6左足/デルタSCR C-SCR A」は、「5左手」、「6左足」間でアノード-カソード、カソード-アノードとなるよう通電した際に測定されたコンダクタンスの差分である。
　ＢＭＩおよび血圧については、身長体重計、血圧計によって測定可能である。また、非侵襲な生体情報には、ＳｐＯ２および心拍出量より計算される酸素運搬量が含まれてもよい。
　測定された非侵襲な生体情報は、有線または無線の通信ネットワークを通じてコレステロールリスク推定装置３０へ出力される。生体情報測定装置２０は、備え付けの測定装置であっても、ウェアラブル端末のように可搬可能な測定装置であってもよい。
　コレステロールリスク推定装置３０は、第1取得部３１と、第2取得部３２と、ユーザデータ記憶部３３と、訓練データ記憶部３４と、学習処理部３５と、推定モデル記憶部３６と、推定処理部３７と、推定データ記憶部３８とを備える。第1取得部３１は、端末装置１０よりユーザの属性情報を取得する。また、第2取得部３２は、生体情報測定装置２０より、ユーザの非侵襲な生体情報を取得する。
　ユーザデータ記憶部３３は、第1取得部３１及び第2取得部３２より取得したユーザの属性情報と非侵襲な生体情報を記憶する。
　訓練データ記憶部３４は、機械学習のための訓練データセットとして、事前に取得した複数の被験者の属性情報と、非侵襲な生体情報と、血液検査により得られたコレステロール（LDLコレステロール、またはHDLコレステロール）の検体検査情報より構成される訓練データセットが複数記憶されている。なお、検体検査情報には、血液、尿、便等から得られた検査情報をさらに含めても良い。
　学習処理部３５は、訓練データ記憶部３４に記憶されている訓練データセットを取得し、訓練データセットを用いてコレステロールリスクの推定モデルを作成する。具体的には、LDLコレステロールリスクを推定する場合、取得した訓練データセットをXGBoostなどの勾配ブースティングによる機械学習により、属性情報および非侵襲な生体情報と、LDLコレステロールリスクの関係を学習する。また、HDLコレステロールリスクを推定する場合、取得した訓練データセットを標準化または正規化し、ロジスティック回帰による機械学習により、属性情報および非侵襲な生体情報と、HDLコレステロールリスクの関係を学習する。
　推定モデル記憶部３６は、学習処理部３５により生成したコレステロールリスクの推定モデルを記憶する。非侵襲な生体情報には、ＢＭＩ、血圧、脈波データ、心電図データおよび生体インピーダンスのいずれか、またはその組み合わせが含まれる。さらに、必要に応じて酸素飽和度（ＳｐＯ２）が含まれる。
　推定処理部３７は、学習処理部３５により生成した推定モデルを用いて、所定のユーザの属性情報および／または非侵襲な生体情報に基づいて、ユーザのコレステロールリスクを推定する。そして、コレステロールリスク推定値は推定データ記憶部３８に記憶される。
　表示装置３９は、ユーザの属性情報や非侵襲な生体情報と共に、コレステロールリスク推定値を表示することが可能である。なお、これらのデータは、ユーザが保有する端末装置１０に表示されてもよい。
＜装置のハードウェア構成＞
　図３は、コレステロールリスク推定装置３０のハードウェア構成図である。図３に示すように、コレステロールリスク推定装置３０は、一つまたは複数のプロセッサ３０１と、メモリ３０２と、ストレージ３０３と、入出力ポート３０４と、通信ポート３０５とを有するコンピュータ３００により構成される。プロセッサ３０１は、プログラムを実行することにより本実施形態に係るコレステロール推定に関する処理を行う。メモリ３０２は、プログラム及びプログラムの演算結果を一時的に記憶する。ストレージ３０３は、コレステロールリスク推定装置３０による処理を実行するプログラムを格納している。ストレージ３０３は、コンピュータにより読み取り可能であればどのようなものであっても良く、例えば、記録媒体（磁気ディスク、光ディスク等）、ランダムアクセスメモリー、フラシュタイプメモリー、リードオンリーメモリー等の種々の記録媒体を利用することができる。入出力ポート３０４は、端末装置１０および生体情報測定装置２０より情報を入力したり、表示装置３９へコレステロール推定値の出力を行う。通信ポート３０５は、図示しない他のコンピュータ等の情報端末との間でデータの送受信を行う。通信の方法は、無線通信、有線通信を利用することができる。
　なお、コレステロールリスク推定装置３０は、市販のデスクトップPCまたはノートPCにより実装することが可能であり、推定モデルを用いたコレステロールリスクの推定値の算出に要する時間は数秒である。
　なお、コレステロールリスク推定装置３０のプロセッサ３０１においては、動作する際に、上述の第１取得部３１、第２取得部３２、学習処理部３５、推定処理部３７等が機能する。
　ＢＭＩ（ボディマス指数）、血圧、脈波データ、心電図データ、および生体インピーダンス等を含む非侵襲生体データに基づき機械学習によりコレステロール推定モデルを生成することで、血液検査を行うことなくコレステロールの推定を行うことが可能となる。
　また、下記に示すように、非侵襲生体データに含まれる各データの数を限定した場合であっても、コレステロールが正常か否かの判定を行うことも可能である。
＜機械学習によるLDLコレステロールリスク推定モデルの生成＞
　図４は、機械学習によるLDLコレステロールリスク推定モデルの生成実行手順を示すフローチャートである。
　ステップST101では、学習処理部３５は、入力データ（例えば、上述の訓練データセット）の前処理を行う。具体的には、学習処理部３５は、血液検査により得られたLDLコレステロールについて、LDLコレステロール120 mg/dl未満を0（リスク無し）、120 mg/dl以上を1（リスク有り）に変換する。また、学習処理部３５は、0と分類された人数と１と分類された人数が乖離し不均衡な場合は、学習データに対してSMOTE （Chawla, NV. et al. 2002）を適用し、人工的にトレーニングサンプルを生成してもよい。すなわち、入力データ（訓練データセット）において、血液検査により得られたLDLコレステロールに基づいてLDLコレステロールリスクの有無を示すラベル（例えば、上述の０または１）を付加し、当該ラベルにおいて、LDLコレステロールリスク有り（ラベル：１）の数と、LDLコレステロールリスク無し（ラベル：０）の数との差が所定の値以上の場合は、この差を小さくするように訓練データセットにおけるサンプルデータを増加（生成）させてもよい。
　ステップST102では、学習処理部３５は、勾配ブースティング決定木による機械学習を行う。勾配ブースティング回帰木による機械学習では、XGBoost、CatBoost、LightBGM等のソフトウェアライブラリを用いることができる。
　また、血液検査により得られたLDLコレステロール値を所定の閾値と比較することにより得られたリスク値（０：リスク無し、１：リスク有り）と機械学習により推定されたLDLコレステロールリスク値を比較し、f1スコアが最大となるようにXGBoostの各パラメータ（max_depth、subsample、colsample_bytree、learning_rate）を調整し、推定モデルを生成した。max_depthは決定木の深さであり、subsampleは各木においてランダムに抽出される標本の割合であり、colsample_bytreeは各木においてランダム抽出される列の割合であり、learning_rateは学習率を示す。ただし、max_depthは1～10、subsampleは0.1～1.0、colsample_bytreeは0.3～1.0、learning_rateは0.1～0.7の範囲で調整を行った。
　学習処理部３５は、上述の学習処理によって生成されたLDLコレステロールリスク推定モデルを、推定モデル記憶部３６に記憶する。
　なお、上述の機械学習アルゴリズムは一例であって、これらに限定されるものではない。
＜LDLコレステロールリスク推定モデルを用いたLDLコレステロールリスクの推定＞
　図５に示すように、ステップST201では、コレステロールリスク推定装置３０の第１取得部３１は、端末装置１０よりユーザの属性情報を取得する。ステップST202では、コレステロールリスク推定装置３０の第２取得部３２は、ユーザの非侵襲な生体情報を取得する。そして、ユーザの属性情報と非侵襲な生体情報をユーザデータ記憶部３３に記憶する。そして、ステップST203では、推定モデル記憶部３６に格納されているLDLコレステロールリスク推定モデルを用いて、推定処理部３７によりクラス０（リスク無し）またはクラス１（リスク有り）に属する確率、すなわちLDLコレステロールリスク推定値を算出する。ステップST204では、算出されたLDLコレステロールリスク推定値は推定データ記憶部３８に記憶され、ステップST205では、LDLコレステロールリスク推定値を表示装置３９等の外部端末へ出力し、表示させる。
＜機械学習によるHDLコレステロールリスク推定モデルの生成＞
　図６は、機械学習によるHDLコレステロールリスク推定モデルの生成実行手順を示すフローチャートである。
　ステップST301では、学習処理部３５は、入力データの前処理を行う。具体的には、学習処理部３５は、血液検査により得られたHDLコレステロールについて、HDLコレステロール40 mg/dl以上を0（リスク無し）、40 mg/dl未満を1（リスク有り）に変換する。また、学習処理部３５は、0と分類された人数と１と分類された人数が乖離し不均衡な場合は、学習データに対してSMOTE （Chawla, NV. et al. 2002）を適用し、人工的にトレーニングサンプルを生成してもよい。すなわち、入力データ（訓練データセット）において、血液検査により得られたHDLコレステロールに基づいてHDLコレステロールリスクの有無を示すラベル（例えば、上述の０または１）を付加し、当該ラベルにおいて、HDLコレステロールリスク有り（ラベル：１）の数と、HDLコレステロールリスク無し（ラベル：０）の数との差が所定の値以上の場合は、この差を小さくするように訓練データセットにおけるサンプルデータを増加（生成）させてもよい。さらにデータの標準化および正規化を行う。
　ステップST302では、学習処理部３５は、ロジスティック回帰による機械学習を行う。ロジスティック回帰による機械学習には、例えばPythonのオープンソース機械学習ライブラリであるScikit-learnにて提供されているLogistic Regressionを用いることができる。また、必要に応じて、主成分分析により次元数を圧縮してもよい。
　また、血液検査により得られたHDLコレステロール値を所定の閾値と比較することにより得られたリスク値（０：リスク無し、１：リスク有り）と機械学習により推定されたHDLコレステロールリスク値を比較し、f1スコアが最大となるようにLogistic Regressionの各パラメーター（C、正則化方法、max_iter、solber）を調整して、HDLコレステロールリスク推定モデルを生成した。ここで、Cとは正則化の強度を決定するトレードオフパラメータであり、値が大きいほど正則化強度は弱くなる。正則化方法とは、L1正則化またはL2正則化を意味し、これを選択する。max_iterは、学習を反復する最大回数である。solberでは交差エントロピー誤差を最小化する収束方法（例えば、L-BFGS法、ニュートンCG法、liblinear、sagおよびsaga）を選択する。なお、下記の実施例２、３ではliblinear法を選択した。
　学習処理部３５は、上述の学習処理によって生成されたHDLコレステロールリスク推定モデルを、推定モデル記憶部３６に記憶する。
　なお、上述の機械学習アルゴリズムは一例であって、これらに限定されるものではない。
＜HDLコレステロールリスク推定モデルを用いたHDLコレステロールリスクの推定＞
　図７に示すように、ステップST401では、コレステロールリスク推定装置３０の第１取得部３１は、端末装置１０よりユーザの属性情報を取得する。ステップST402では、コレステロールリスク推定装置３０の第２取得部３２は、ユーザの非侵襲な生体情報を取得する。そして、ユーザの属性情報と非侵襲な生体情報をユーザデータ記憶部３３に記憶する。そして、ステップST403では、推定モデル記憶部３６に格納されているHDLコレステロールリスク推定モデルを用いて、推定処理部３７によりクラス０（リスク無し）またはクラス１（リスク有り）に属する確率、すなわちHDLコレステロールリスク推定値を算出する。ステップST404では、算出されたHDLコレステロールリスク推定値は推定データ記憶部３８に記憶され、ステップST405では、HDLコレステロールリスク推定値を表示装置３９等の外部端末へ出力し、表示させる。
＜実施例（LDLコレステロールリスク推定）＞
　以下にLDLコレステロールリスク推定の実施例を記載する。但し、本発明におけるLDLコレステロールリスク推定の態様は、以下の実施例に限定されるものではない。
　属性情報には、ＩＤ、氏名、年齢、性別のいずれか、またはこれらの組み合わせが含まれ、非侵襲な生体情報には、BMI、血圧、脈波データ、心電図データ、生体インピーダンス、および酸素飽和度（ＳｐＯ２）のいずれか、またはこれらの組み合わせが含まれる。BMIの算出基準となる身長、体重については、それぞれ身長計および体重計により計測し、血圧については血圧計により測定した。また、脈波データ、心電図データ、生体インピーダンス、酸素飽和度（ＳｐＯ２）については、エステックBC-3（両備システムズ）により測定した。なお、エステックBC-3に替えて、市販の脈波計、心電図計、インピーダンス測定装置、パルオキシメーターを組み合わせて使用してもよい。また、所定のウェアラブル端末を用いて、上述の非侵襲な生体情報を取得してもよい。
　生体インピーダンス（コンダクタンス）の測定は、両足、両手、左右額の計6か所の電極のうち、２か所の間に微弱な電気を流すことで測定した。電圧と電流は1.28V, 200 μAとし、コンダクタンスは1秒につき32ミリ秒間測定した。６か所の電極中で２か所に電流を流し、（１）アノード/カソードコンダクタンス（μS）、（２）カソード/アノードのコンダクタンス（μS）、（３）上記（１）で測定されたコンダクタンスと上記（２）で測定されたコンダクタンスの差分（デルタSCRA－SCRC）、（４）電気伝導度（μS/m）を測定した。
　また、筋量、体脂肪量、総水分量、位相角、および抵抗値を測定し、右手⇔左手間、右額⇔左額間で通電している際の誘電率（μSi）も測定した。
　エステックBC-3により、各被験者について、脈波データ、心電図データ、生体インピーダンス、および酸素飽和度（ＳｐＯ２）の測定を２分間行った。測定に際しては、被験者の左手人差し指には心電図、脈波計、およびパルオキシメーターの機能を備えたデバイスを、額には電極を２個装着し、椅子に座った状態で両手両足を電極板の上に置かせた。
＜学習モデル１＞
　学習モデル１では、図４に示すように、勾配ブースティング決定木による機械学習を行わせた。
　この際、属性情報、および非侵襲な生体データとして下記に示すデータを選択し、使用した。（Ａ）属性情報・年齢（Ｂ）非侵襲な生体データ・血圧・・・拡張期血圧・脈波データ・・・弾性指数、・心電図データ・・・心拍数、RR間隔の標準偏差・生体インピーダンス・・・体脂肪量（kg）、筋量、総水分量（％）、心拍出量、5左手-6左足/SCRA、ESG2+4＋15＋17（μS/m）、ESG 9＋10（μS/m）、ESG9+10（%）、R（Ω）
　ここで、ESG9＋10は図２に示す部位で測定されたインピーダンスの平均値である。[μS/m]は実測平均値の単位であり、[%]は通常計測され得る範囲内に実測平均値をスケール変換した値である。
　また、非侵襲な生体データには、生体インピーダンスに含まれる心拍出量、および酸素飽和度（ＳｐＯ２）より推定される酸素運搬量がさらに含まれる。
＜実施例１＞
　実施例１では、被験者７１２名の（１）属性情報、（２）身長体重計、血圧計、およびエステックBC-3により測定した非侵襲な生体情報、および（３）非侵襲な生体情報測定と同日に行われた血液検査により得られたLDLコレステロールの訓練データセットを用いて、上記学習モデル１の機械学習を通じて、LDLコレステロールリスク推定モデルを生成した。
　そして、LDLコレステロールリスク推定モデルの推定精度について、推定結果をROC_AUC曲線により評価した。その結果、ROC_AUCは0.71を示し、良好な分類ができていることを示す0.7を超えた。実施例１の推定結果のROC_AUC曲線を図８に示す。
　＜実施例（HDLコレステロールリスク推定）＞
　以下にHDLコレステロールリスク推定の実施例を記載する。但し、本発明におけるHDLコレステロールリスク推定の態様は、以下の実施例に限定されるものではない。
　属性情報には、ＩＤ、氏名、年齢、性別のいずれか、またはこれらの組み合わせが含まれ、非侵襲な生体情報には、BMI、血圧、脈波データ、心電図データ、生体インピーダンス、および酸素飽和度（ＳｐＯ２）のいずれか、またはこれらの組み合わせが含まれる。BMIの算出基準となる身長、体重については、それぞれ身長計および体重計により計測し、血圧については血圧計により測定した。また、脈波データ、心電図データ、生体インピーダンス、酸素飽和度（ＳｐＯ２）については、エステックBC-3（両備システムズ）により測定した。なお、エステックBC-3に替えて、市販の脈波計、心電図計、インピーダンス測定装置、パルオキシメーターを組み合わせて使用してもよい。また、所定のウェアラブル端末を用いて、上述の非侵襲な生体情報を取得してもよい。
　生体インピーダンス（コンダクタンス）の測定は、両足、両手、左右額の計6か所の電極のうち、２か所の間に微弱な電気を流すことで測定した。電圧と電流は1.28V, 200 μAとし、コンダクタンスは1秒につき32ミリ秒間測定した。６か所の電極中で２か所に電流を流し、（１）アノード/カソードコンダクタンス（μS）、（２）カソード/アノードのコンダクタンス（μS）、（３）上記（１）で測定されたコンダクタンスと上記（２）で測定されたコンダクタンスの差分（デルタSCRA－SCRC）、（４）電気伝導度（μS/m）を測定した。
　また、筋量、体脂肪量、総水分量、位相角、および抵抗値を測定し、右手⇔左手間、右額⇔左額間で通電している際の誘電率（μSi）も測定した。
　エステックBC-3により、各被験者について、脈波データ、心電図データ、生体インピーダンス、および酸素飽和度（ＳｐＯ２）の測定を２分間行った。測定に際しては、被験者の左手人差し指には心電図、脈波計、およびパルオキシメーターの機能を備えたデバイスを、額には電極を２個装着し、椅子に座った状態で両手両足を電極板の上に置かせた。
＜学習モデル２＞
　学習モデル２では、図６に示すように、ロジスティック回帰による機械学習を行わせた。
　この際、属性情報、および非侵襲な生体データとして下記に示すデータを選択し、使用した。（Ａ）属性情報・性別（Ｂ）非侵襲な生体データ・血圧・・・脈圧・脈波データ・・・末梢血管抵抗、脈拍、e/a、加速度脈波加齢指数・心電図データ・・・LF/HF・生体インピーダンス・・・除脂肪率（%）、15右手-16額左側/SCRC、ESG 9＋10（μS/m）、額経路の誘電率・パルスオキシメーター・・・SpO2
　また、非侵襲な生体データには、生体インピーダンスに含まれる心拍出量、および酸素飽和度（ＳｐＯ２）より推定される酸素運搬量および脈拍と脈圧から計算される脈圧／脈拍がさらに含まれる。
＜学習モデル３＞
　学習モデル３では、図６に示すように、ロジスティック回帰による機械学習を行わせた。
　この際、属性情報、および非侵襲な生体データとして下記に示すデータを選択し、使用した。（Ａ）属性情報・性別（Ｂ）非侵襲な生体データ・ＢＭＩ・心電図データ・・・RR間隔、・生体インピーダンス・・・心拍出量、13左足-14右足/SCRC、R（Ω）
　また、非侵襲な生体データには、生体インピーダンスに含まれる心拍出量、および酸素飽和度（ＳｐＯ２）より推定される酸素運搬量がさらに含まれる。
＜実施例２＞
　実施例２では、被験者３２１名の（１）属性情報、（２）身長体重計、血圧計、およびエステックBC-3により測定した非侵襲な生体情報、および（３）非侵襲な生体情報測定と同日に行われた血液検査により得られたHDLコレステロールの訓練データセットを用いて、上記学習モデル２の機械学習を通じて、HDLコレステロールリスク推定モデルを生成した。
　そして、HDLコレステロールリスク推定モデルの推定精度について、推定結果をROC_AUC曲線により評価した。その結果、ROC_AUCは0.78を示し、良好な分類ができていることを示す0.7を超えた。実施例２の推定結果のROC_AUC曲線を図９に示す。
＜実施例３＞
　実施例３では、のべ被験者７１２名の（１）属性情報、（２）身長体重計、血圧計、およびエステックBC-3により測定した非侵襲な生体情報、および（３）非侵襲な生体情報測定と同日に行われた血液検査により得られたHDLコレステロールの訓練データセットを用いて、上記学習モデル３の機械学習を通じて、HDLコレステロールリスク推定モデルを生成した。
　そして、HDLコレステロールリスク推定モデルの推定精度について、推定結果をROC_AUC曲線によって評価した。その結果、ROC_AUCは0.87を示し、極めて良好な分類ができていることを示す0.8を超えた。実施例３の推定結果のROC_AUC曲線を図１０に示す。
（変形例）
　上述の実施形態では、学習モデル２または学習モデル３を用いてHDLコレステロールリスクを推定する例について説明したが、複数の学習モデルを用いて、HDLコレステロールリスクを推定してもよい。
　これにより、１つの学習モデルを用いてHDLコレステロールリスクを推定するよりも、高精度に推定できる。
　また、上述の実施形態および実施例において、学習モデルのデータセットとして、BMIを用いると推定精度が向上する事例が見られたことから、当該BMIを推定する機能部がコレステロールリスク推定装置に設けられてもよい。
　BMIは、一般に、ウェアラブル端末等で取得されず、ユーザの入力した身長や体重から求めているが、当該BMIを推定することで、生体情報のみを取得することにより、上述のコレステロールリスクを取得することができるため、ユーザにとって利便性が向上する。
　BMIの推定方法は特に限定されないが、例えば、BMIは、ユーザの腹部の（所定の位置の）傾きと相関があることが知られている。そこで、例えば、ユーザの腹部に所定の加速度センサを設け（または加速度センサを備えるリストバンド型のウェアラブル端末等を腹部に当てて）、当該加速度センサから出力されるデータに基づいて、腹部の傾きを求め、BMIを推定してもよい。
　また、上述と同様に脈波データ、酸素飽和度についても、脈波センサまたは中酸素濃度センサを備えるリストバンド型のウェアラブル端末等を用いて推定してもよい。
　また、上述と同様に血圧についても、リストバンド型のウェアラブル端末等を用いて推定してもよい。これは、心拍によって動脈を通じて送られる脈波の速度と血圧との相関があることが知られていることから、当該心拍によって動脈を通じて送られる脈波の速度を測定する所定のセンサを用いて、血圧を推定してもよい。
　また、上述と同様に心電図データについても、リストバンド型のウェアラブル端末等を用いて推定してもよい。例えば、リストバンド型のウェアラブル端末の表示面と反対側の面に設けられた電極と、表示面側に設けられた電極から得られるデータに基づいて心電図データを推定することができる。具体的には、上記反対側面に設けられた電極にリストバンド型のウェアラブル端末を装着した手（例えば、左手）の手首が接し、上記表示面側に設けられた電極に当該装着した手とは反対側の手（例えば、右手）の指先が接することで得られるデータから心電図データを推定するとよい。
　また、上述と同様に生体インピーダンスについても、各種電極を備えるリストバンド型のウェアラブル端末等を用いて、生体インピーダンスを推定してもよい。例えば、リストバンド型のウェアラブル端末等を用いて、胸部と手首から得られた生体情報に基づいて、生体インピーダンスを推定するとよい。
　なお、ウェアラブル端末で取得可能な生体情報と、上述の推定対象の生体情報（BMI、血圧、脈波データ、心電図データ、および生体インピーダンス、酸素飽和度のうち少なくとも１つ以上の生体情報）とを教師データとして、種々の機械学習アルゴリズムを用いて生成した分類器を用いて、上述の推定対象の生体情報を推定してもよい。
　なお、この場合、上述の第２取得部は、推定された生体情報を取得してもよい。
（その他）
　また例えば、上述した一連の処理は、ハードウェアにより実行させることもできるし、ソフトウェアにより実行させることもできる。換言すると、上述の機能的構成は例示に過ぎず、特に限定されない。即ち、上述した一連の処理を全体として実行できる機能が情報処理システムに備えられていれば足り、この機能を実現するためにどのような機能ブロックを用いるのかは特に上述の例に限定されない。また、機能ブロックの存在場所も、図１に特に限定されず、任意でよい。例えば、サーバの機能ブロックを他の端末や装置等に移譲させてもよい。逆に他の端末や装置の機能ブロックをサーバ等に移譲させてもよい。また、一つの機能ブロックは、ハードウェア単体で構成してもよいし、ソフトウェア単体で構成してもよいし、それらの組み合わせで構成してもよい。
　一連の処理をソフトウェアにより実行させる場合には、そのソフトウェアを構成するプログラムが、コンピュータ等にネットワークや記録媒体からインストールされる。コンピュータは、専用のハードウェアに組み込まれているコンピュータであってもよい。また、コンピュータは、各種のプログラムをインストールすることで、各種の機能を実行することが可能なコンピュータ、例えばサーバの他汎用のスマートフォンやパーソナルコンピュータであってもよい。
　このようなプログラムを含む記録媒体は、ユーザ等にプログラムを提供するために装置本体とは別に配布される図示せぬリムーバブルメディアにより構成されるだけでなく、装置本体に予め組み込まれた状態でユーザ等に提供される記録媒体等で構成される。プログラムはネットワークを介して配信可能であることから、記録媒体は、ネットワークに接続された、或いは接続可能なコンピュータに搭載、或いはアクセス可能なものであってもよい。
　なお、本明細書において、記録媒体に記録されるプログラムを記述するステップは、その順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。また、本明細書において、システムの用語は、複数の装置や複数の手段等より構成される全体的な装置を意味するものとする。
１　　　コレステロールリスク推定システム
１０　　端末装置
２０　　生体情報測定装置
３０　　コレステロールリスク推定装置
３１　　第１取得部
３２　　第２取得部
３３　　ユーザデータ記憶部
３４　　訓練データ記憶部
３５　　学習処理部
３６　　推定モデル記憶部
３７　　推定処理部
３８　　推定データ記憶部
３９　　表示装置
３００　コンピュータ
３０１　プロセッサ
３０２　メモリ
３０３　ストレージ
３０４　入出力ポート
３０５　通信ポート

Claims (12)

  1. 　所定のユーザの属性情報および非侵襲な生体情報を取得する情報取得部と、
    　コレステロールリスク推定モデルを記憶する推定モデル記憶部と、
    　前記コレステロールリスク推定モデルを用いて、前記所定のユーザの属性情報および／または非侵襲な生体情報に基づいて、前記所定のユーザのコレステロールリスク推定値を計算する推定処理部と、を備えることを特徴とするコレステロールリスク推定装置。
  2. 　前記属性情報は、年齢、および性別のいずれか、またはこれらの組み合わせを含み、
    　前記非侵襲な生体情報は、BMI、血圧、脈波データ、心電図データ、および生体インピータンスのいずれか、またはこれらの組み合わせを含む、ことを特徴とする請求項１に記載のコレステロールリスク推定装置。
  3. 　前記コレステロールリスク推定値の推定精度は、リスクの有無をROC_AUCが０．７以上で分類可能な精度である、ことを特徴とする請求項１または２に記載のコレステロールリスク推定装置。
  4. 　訓練データセットを記憶する訓練データ記憶部と、
    　前記訓練データセットに基づいて、機械学習により前記コレステロールリスク推定モデルを生成する学習処理部と、をさらに備えることを特徴とする請求項１から３のいずれか一項に記載のコレステロールリスク推定装置。
  5. 　前記訓練データセットは、被験者の属性情報、非侵襲な生体情報、および血液から測定されたコレステロール測定値を含む、ことを特徴とする請求項４に記載のコレステロールリスク推定装置。
  6. 　前記非侵襲な生体情報は、酸素飽和度（ＳｐＯ２）をさらに含む、ことを特徴とする請求項５に記載のコレステロールリスク推定装置。
  7. 　前記学習処理部は、
    　　前記訓練データセットにおいて、血液から測定されたコレステロール測定値に基づいて前記コレステロールリスクの有無を示すラベルを付加し、
    　　前記ラベルにおいて、前記コレステロールリスク有りの数と、前記コレステロールリスク無しの数との差が所定の値以上の場合は、前記差を小さくするように前記訓練データセットにおけるサンプルデータを増加させる、ことを特徴とする請求項４から６のいずれか一項に記載のコレステロールリスク推定装置。
  8. 　前記学習処理部は、異なる種類の訓練データセットに基づいて、それぞれ機械学習により第１コレステロールリスク推定モデルおよび第２コレステロールリスク推定モデルを生成し、
    　前記推定処理部は、前記第１コレステロールリスク推定モデルおよび前記第２コレステロールリスク推定モデルを用いて、前記所定のユーザのコレステロールリスク推定値を計算する、ことを特徴とする請求項４から７のいずれか一項に記載のコレステロールリスク推定装置。
  9. 　前記生体情報に含まれるBMI、血圧、脈波データ、心電図データ、および生体インピーダンス、酸素飽和度のうち少なくとも１つ以上の生体情報を推定する生体情報推定部をさらに備え、
    　前記情報取得部は、前記生体情報推定部によって推定された生体情報を前記所定のユーザの生体情報として取得する、ことを特徴とする請求項１から８のいずれか一項に記載のコレステロールリスク推定装置。
  10. 　請求項１から９のいずれか一項に記載の前記コレステロールリスク推定装置と、
    　非侵襲な生体情報を測定する生体情報測定装置と、を備えることを特徴とする非侵襲コレステロールリスク推定システム。
  11. 　被験者の属性情報、非侵襲な生体情報、および血液から測定されたコレステロール測定値を含む訓練データセットを記憶するステップと、
    　前記訓練データセットに基づいて、機械学習によりコレステロールリスク推定モデルを生成するステップと、
    　前記コレステロールリスク推定モデルを用いて、所定のユーザの属性情報および／または非侵襲な生体情報に基づいて、前記所定のユーザのコレステロールリスク推定値を計算するステップと、を含む、コレステロールリスク推定方法。
  12. 　被験者の属性情報、非侵襲な生体情報、および血液から測定されたコレステロールの測定値を含む訓練データセットを記憶するステップと、
    　前記訓練データセットに基づいて、機械学習によりコレステロールリスク推定モデルを生成するステップと、
    　前記コレステロールリスク推定モデルを用いて、所定のユーザの属性情報および／または非侵襲な生体情報に基づいて、前記所定のユーザのコレステロールリスク推定値を計算するステップと、をコンピュータに実行させるプログラム。
PCT/JP2022/015093 2021-06-22 2022-03-28 コレステロールリスク推定装置、コレステロールリスク推定方法及びプログラム Ceased WO2022270099A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202280005618.XA CN115884710A (zh) 2021-06-22 2022-03-28 胆固醇风险估计设备、胆固醇风险估计方法以及程序
EP22828018.6A EP4362045A4 (en) 2021-06-22 2022-03-28 Cholesterol risk estimation device, cholesterol risk estimation method, and program
US18/041,971 US20240266058A1 (en) 2021-06-22 2022-03-28 Cholesterol risk estimation device, cholesterol risk estimation method, and computer program

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2021-102923 2021-06-22
JP2021102923 2021-06-22
JP2022040635A JP2023002453A (ja) 2021-06-22 2022-03-15 コレステロールリスク推定装置、コレステロールリスク推定方法及びプログラム
JP2022-040635 2022-03-15

Publications (1)

Publication Number Publication Date
WO2022270099A1 true WO2022270099A1 (ja) 2022-12-29

Family

ID=84545389

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/015093 Ceased WO2022270099A1 (ja) 2021-06-22 2022-03-28 コレステロールリスク推定装置、コレステロールリスク推定方法及びプログラム

Country Status (5)

Country Link
US (1) US20240266058A1 (ja)
EP (1) EP4362045A4 (ja)
CN (1) CN115884710A (ja)
TW (1) TWI907677B (ja)
WO (1) WO2022270099A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007127424A (ja) * 2005-10-31 2007-05-24 Toray Ind Inc 高脂血症またはその発症リスクの判定方法、総コレステロール測定方法およびキット
JP2013509588A (ja) * 2009-10-29 2013-03-14 テシス バイオサイエンス， インコーポレイテッド ２型糖尿病の予防に対して一貫した改善をもたらすタンパク質バイオマーカーおよび脂質代謝物バイオマーカー
WO2014087825A1 (ja) 2012-12-06 2014-06-12 国立大学法人北海道大学 非侵襲型生体脂質濃度計測器、非侵襲型生体脂質代謝機能計測器、非侵襲による生体脂質濃度計測方法および非侵襲による生体脂質代謝機能検査方法
WO2017204233A1 (ja) * 2016-05-23 2017-11-30 Ｎｅｃソリューションイノベータ株式会社 健康状態予測装置、健康状態予測方法、及びコンピュータ読み取り可能な記録媒体
JP2018088263A (ja) * 2018-01-10 2018-06-07 オムロンヘルスケア株式会社 血圧リスク分析装置及び血圧リスク分析方法
JP2020162834A (ja) * 2019-03-29 2020-10-08 株式会社タニタ 健康情報提供システム及び健康情報提供プログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021084375A1 (en) * 2019-10-31 2021-05-06 Aarca Research Inc. Non-invasive non-contact system and method for measuring dyslipidemia condition using thermal imaging

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007127424A (ja) * 2005-10-31 2007-05-24 Toray Ind Inc 高脂血症またはその発症リスクの判定方法、総コレステロール測定方法およびキット
JP2013509588A (ja) * 2009-10-29 2013-03-14 テシス バイオサイエンス， インコーポレイテッド ２型糖尿病の予防に対して一貫した改善をもたらすタンパク質バイオマーカーおよび脂質代謝物バイオマーカー
WO2014087825A1 (ja) 2012-12-06 2014-06-12 国立大学法人北海道大学 非侵襲型生体脂質濃度計測器、非侵襲型生体脂質代謝機能計測器、非侵襲による生体脂質濃度計測方法および非侵襲による生体脂質代謝機能検査方法
WO2017204233A1 (ja) * 2016-05-23 2017-11-30 Ｎｅｃソリューションイノベータ株式会社 健康状態予測装置、健康状態予測方法、及びコンピュータ読み取り可能な記録媒体
JP2018088263A (ja) * 2018-01-10 2018-06-07 オムロンヘルスケア株式会社 血圧リスク分析装置及び血圧リスク分析方法
JP2020162834A (ja) * 2019-03-29 2020-10-08 株式会社タニタ 健康情報提供システム及び健康情報提供プログラム

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"Summary of the clinical investigations E. S. Teck Complex", PSYCHOLOGY RESEARCH AND BEHAVIOR MANAGEMENT, vol. 4, 20 March 2010 (2010-03-20), pages 81 - 86
MAAREK A.: "Electro interstitial scan system: assessment of 10 years of research and development", MED DEVICES (AUCKL)., vol. 5, 2012, pages 23 - 30
R. N. CHUAY. W. HAUC. M. TIEWW. L. HAU: "Investigation of Attention Deficit/Hyperactivity Disorder Assessment Using Electro Interstitial Scan Based on Chronoamperometry Technique", IEEE ACCESS, vol. 7, 2019, pages 144679 - 144690, XP011750230, DOI: 10.1109/ACCESS.2019.2938095
See also references of EP4362045A4

Also Published As

Publication number Publication date
EP4362045A1 (en) 2024-05-01
TWI907677B (zh) 2025-12-11
TW202301379A (zh) 2023-01-01
US20240266058A1 (en) 2024-08-08
EP4362045A4 (en) 2025-04-16
CN115884710A (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
JP2022153288A (ja) 血糖値推定装置、血糖値推定方法及びプログラム
WO2022210570A1 (ja) 血糖値推定装置、血糖値推定方法及びプログラム
WO2023013164A1 (ja) ＨｂＡ１ｃリスク推定装置、ＨｂＡ１ｃリスク推定方法及びプログラム
TWI907677B (zh) 膽固醇風險推定裝置、膽固醇風險推定方法及程式
JP2023002453A (ja) コレステロールリスク推定装置、コレステロールリスク推定方法及びプログラム
WO2023013166A1 (ja) 尿酸値推定装置、尿酸値推定方法及びプログラム
EP4383264A1 (en) yGT ESTIMATION DEVICE, yGT ESTIMATION METHOD, AND PROGRAM
JP2023024258A (ja) 尿酸値推定装置、尿酸値推定方法及びプログラム
WO2023013167A1 (ja) クレアチニンリスク推定装置、クレアチニンリスク推定方法及びプログラム
JP2023024257A (ja) γＧＴ推定装置、γＧＴ推定方法及びプログラム
EP4362044A1 (en) Blood neutral fat estimation device, blood neutral fat estimation method, and program
JP2023024259A (ja) クレアチニンリスク推定装置、クレアチニンリスク推定方法及びプログラム
JP2023024256A (ja) ＨｂＡ１ｃリスク推定装置、ＨｂＡ１ｃリスク推定方法及びプログラム
JP2023002452A (ja) 血中中性脂肪推定装置、血中中性脂肪推定方法及びプログラム
HK40083288A (en) Cholesterol risk estimation device, cholesterol risk estimation method, and program
CN117678033A (zh) 尿酸值推定装置、尿酸值推定方法以及程序
CN117678032A (zh) γGT推定装置、γGT推定方法以及程序
HK40083296A (en) Blood sugar level estimation device, blood sugar level estimation method and program
CN117677849A (zh) 肌酐风险推定装置、肌酐风险推定方法以及程序
HK40083287A (en) Blood neutral fat estimation device, blood neutral fat estimation method, and program
HK40102718A (zh) 尿酸值推定装置、尿酸值推定方法以及程序
HK40102120A (zh) γGT推定装置、γGT推定方法以及程序
CN117693313A (zh) HbA1c风险推定装置、HbA1c风险推定方法以及程序
HK40102707A (zh) Hba1c风险推定装置、hba1c风险推定方法以及程序
HK40102847A (zh) 肌酐风险推定装置、肌酐风险推定方法以及程序

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22828018

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 202317010470

Country of ref document: IN

WWE Wipo information: entry into national phase

Ref document number: 2022828018

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022828018

Country of ref document: EP

Effective date: 20240122