WO2024225424A1

WO2024225424A1 - 分娩後の代謝性疾患の評価方法

Info

Publication number: WO2024225424A1
Application number: PCT/JP2024/016392
Authority: WO
Inventors: 明今泉; 裕介杉本; 篤春野; 一輝中川; 愛実夏目
Original assignee: Ajinomoto Co Inc
Current assignee: Ajinomoto Co Inc
Priority date: 2023-04-28
Filing date: 2024-04-26
Publication date: 2024-10-31
Anticipated expiration: 2025-10-28
Also published as: EP4702837A1; MX2025012845A; US20260047557A1; CN121078973A; JPWO2024225424A1

Abstract

今回の分娩後の代謝性疾患の状態を今回の分娩前に血液データを用いずに評価することができる評価方法などを提供することを課題とする。本実施形態では、今回の分娩前の牛の、非侵襲的な方法により取得可能な畜牛管理情報に関する値である第一の値、前記第一の値が代入される変数を含む式および前記第一の値を用いて算出された前記式の値、または、前記第一の値に基づいて生成されたグラフを用いて、今回の分娩後の前記牛の代謝性疾患の状態を評価する第一の評価を行う。

Description

分娩後の代謝性疾患の評価方法

　本発明は、評価方法、算出方法、評価装置、算出装置、評価プログラム、算出プログラム、記録媒体、評価システム、端末装置および式生成方法に関するものである。

　分娩後３週間の周産期と呼ばれる時期は、牛にとって重要な時期である。この時期には、ケトーシス、乳熱、胎盤停滞、第四胃変位、子宮炎、蹄病および乳房炎などの代謝性疾患が多く発症する。

　たとえば、ケトーシスは、繁殖成績および乳生産の低下との関連性が報告されている重要な疾患である（非特許文献１）。ケトーシスの確定診断は、血中βヒドロキシ酪酸（ＢＨＢＡ：β－ｈｙｄｒｏｘｙ　ｂｕｔｙｒｉｃ　ａｃｉｄ）濃度に基づいて行われる。分娩後血中ＢＨＢＡ濃度が３０００μｍｏｌ／ｌ以上を示す場合は顕在性ケトーシスと診断され、分娩後血中ＢＨＢＡ濃度が１２００μｍｏｌ／ｌ以上を示す場合は潜在性ケトーシスと診断される。近年、臨床症状から明らかにケトーシスと診断される顕在性ケトーシスに加えて、明確な症状は示さないものの血中ＢＨＢＡ濃度がある程度高い潜在性ケトーシスへの対応が着目されている。これは、従来は、潜在性ケトーシスは治療の対象とされていなかった一方で、乳量の減少や繁殖成績の低下などの影響が大きいためである。

　ケトーシスを確定診断し治療することを目的として開発された、分娩後血中ＢＨＢＡ濃度を簡易的に測定することができるＢＨＢＡ簡易測定キットが、農場で用いられている。

　また、ケトーシスのリスク診断技術に関する報告は幾つか存在する。例えば、分娩前の血中非エステル型脂肪酸（ＮＥＦＡ：ｎｏｎ　ｅｓｔｅｒｉｆｉｅｄ　ｆａｔｔｙ　ａｃｉｄ）濃度による分娩後ケトーシス診断の可能性が報告されている（非特許文献２）。また、乾乳期から泌乳後期までの各乳期での血中指標の正常範囲を提示し、正常範囲から逸脱した個体をケトーシスリスク牛として抽出する代謝プロファイルが提唱されている（非特許文献３）。

　乳熱すなわち分娩性低カルシウム血症は、分娩後の乳汁中に大量のカルシウムが排出されるために血液中のカルシウム濃度が低下して筋肉が収縮できずに起立不能になる代謝性疾患である。この確定診断は血中のカルシウム濃度を測定することでわかるが、発症時にすばやく対処するための診断方法は確立されておらず目視や触診で行われており、そのリスクを診断する方法は開示されていない。

　胎盤停滞は、子牛を分娩後に胎盤が剥離せずに子宮内に残存してしまい異常出血の原因となりうる。胎盤停滞を起こしうるリスクについては、特許第５７１０１８０号公報が血中のエストラジオール１７β濃度をマーカーにしてその発症を予測する方法を開示している。

　分娩時の過肥および乾物摂取量不足によって分娩後一か月以内に発症することが多いといわれる第四胃変位は、餌の消化の障害となるほか閉塞の症状を示す。この第四胃変位については分娩翌日の血中ＧＯＴ濃度、ＮＥＦＡ濃度、3－ヒドロキシ酪酸濃度、グルコース濃度、分娩前のボディコンディションスコア（ＢＣＳ）、前産次の空胎日数、受精回数、乾乳期間がリスクファクターとして知られている。

　乳房炎のリスクを予測する技術としては、分娩前の乳汁の性状とCMT変法の結果とから経産牛の乳房炎発症リスクを見積もることが知られている。

　代謝異常疾患のリスクを評価する方法として、たとえば、本出願人による国際出願である国際公開第２０１８／００３６３８号には、乳牛の分娩前の血中アミノ酸プロファイルを用いて分娩後のケトーシスリスクを評価する方法が開示されている。また、中国特許出願公開第１１４３７３５０５号明細書には、分娩前の腸内の細菌叢から分娩後のケトーシス罹患のマーカーとして知られるβヒドロキシ酪酸の濃度を予測するモデルが開示されている。あるいは上述の特許第５７１０１８０号公報には、血中のエストラジオール１７β濃度をマーカーにして胎盤停滞の発症を予測する方法が開示されている。しかしながら、分娩前の牛からのサンプリングはいずれも侵襲的な方法であった。

　ここで侵襲的な方法とは、身体に負担がかかる方法であり、たとえば注射針を牛の体にさして血液を採取することは侵襲的な方法である。

　非侵襲的なサンプルを用いる方法として、国際公開第２０２１／２２１２４９号には、人工知能ベースの家畜管理方法として、画像カメラおよびサーモグラフィカメラで家畜を撮影して得られた体温情報や畜舎の環境情報とを説明変数として家畜の異常状態を目的変数としたディープラーニングモデルを作成して、家畜の異常な兆候の一つとして病気の症状およびその感染経路を予測する方法が開示されている。しかし、具体的な疾患を予測するモデルは開示されておらず、たとえば代謝性疾患のリスクを評価する方法は開示されていない。

T.　F.　Duffield,　K.　D.　Lissemore,　B.　W.　McBride,　and　K.　E.　Leslie,　Impact　of　hyperketonemia　in　early　lactation　dairy　cows　on　health　and　production.　J.　Dairy.　Sci.　92:　571-580　(2009) P.　A.　Ospina,　D.　V.　Nydam,　T.　Stokol,　and　T.　R.　Overton,　Evaluation　of　nonesterigied　fatty　acids　and　β-hydroxybutyrate　in　transition　dairy　cattle　in　the　northeastern　United　States:　Clinicalthresholds　for　prediction　of　clinical　diseases.　J.　Dairy.　Sci.　93:　546-554　(2010) K.　Kida,　The　metabolic　profile　test:　Its　practicability　in　assessing　feeding　management　and　periparturient　diseases　in　high　yielding　commercial　dairy　herds.　J.　Vet.　Med.　Sci.　64:　557-563　(2002)

　ここで、分娩後にケトーシスとなるリスクを分娩前に予め診断することができれば、例えば、分娩前に予防的な栄養的介入を行うことで、ケトーシス発症を低減させ、延いては酪農家の効率的な生産に貢献することができる、と考えられる。更にいうなら、この診断を、牛の血液データを用いずに行うことができれば、酪農家が牛１頭１頭の血液を採取する手間を省くことができる。

　しかしながら、分娩後にケトーシスとなるリスクを分娩前に予め診断することに関し、実際に農場で使われているリスク診断技術は存在しない、という問題点があった。また、牛の血液データを用いずに（＝非侵襲的に）当該診断を行う技術は存在しないという問題点もあった。

　なお、上述したキットは、ケトーシスを確定診断し治療することを目的として開発されたものであるため、分娩後にケトーシスとなるリスクを分娩前に予め把握することを目的として用いることはできない。また、仮に、上述したキットを当該把握の目的として用いたとしても、信頼できる結果を得ることはできない。

　本発明は、上記に鑑みてなされたもので、今回の分娩後の代謝性疾患の状態を今回の分娩前に血液データを用いずに評価することができる評価方法等を提供することを目的とする。

　上述した課題を解決し、目的を達成するために、本発明にかかる評価方法は、今回の分娩前の牛の、非侵襲的な方法により取得可能な畜牛管理情報に関する値である第一の値、前記第一の値が代入される変数を含む式および前記第一の値を用いて算出された前記式の値、または、前記第一の値に基づいて生成されたグラフを用いて、今回の分娩後の前記牛の代謝性疾患の状態を評価する第一の評価を行う評価ステップを含むこと、を特徴とする。

　また、本発明にかかる評価方法において、前記第一の値が、採食時間、反芻時間、代謝タンパク質充足率（ＭＰ充足率）、代謝エネルギー充足率（ＭＥ充足率）、乾物摂取量充足率（ＤＭＩ充足率）、搾乳量、乳量充足率および前回の分娩後の日数のうちの少なくとも一つの値であってもよい。

　また、本発明にかかる評価方法において、前記牛が、乳牛または肉牛であってもよい。

　また、本発明にかかる評価方法において、前記第一の値が、所定の乳期における値であってもよい。

　また、本発明にかかる評価方法において、前記第一の値が、今回の分娩前の牛の産次数および総搾乳日数の少なくとも一方であってもよい。

　また、本発明にかかる評価方法において、前記第一の値が、更に、今回の分娩前の牛の産次数および総搾乳日数の少なくとも一方の属性を持ってもよい。

　また、本発明にかかる評価方法において、前記第一の値が、平均値および標準偏差の少なくとも一方であってもよい。

　また、本発明にかかる評価方法において、前記第一の評価においては、前記牛が今回の分娩後に前記代謝性疾患に罹患している状態であるか、および、前記牛が今回の分娩後に前記代謝性疾患に罹患してはいないものの検査が必要な状態であるか、の少なくとも一方を評価してもよい。

　また、本発明にかかる評価方法において、前記代謝性疾患の状態が、今回の分娩後の所定時点における代謝性疾患の状態であってもよい。

　また、本発明にかかる評価方法において、前記代謝性疾患が、潜在性ケトーシス、顕在性ケトーシス、子宮炎、胎盤停滞、第四胃変位、乳熱、アシドーシス、蹄病または乳房炎であってもよい。

　また、本発明にかかる評価方法において、前記評価ステップにおいては、前記前回の分娩後の日数を一方の軸の値とし、前記搾乳量を他方の軸の値とすることで生成された前記グラフの画像を用いて、前記第一の評価を行ってもよい。

　また、本発明にかかる評価方法において、前記評価ステップにおいては、今回の分娩前の前記牛の血液中のアミノ酸の濃度値である第二の値、または、前記第二の値が代入される変数を含む式および前記第二の値を用いて算出された前記式の値を用いて、今回の分娩後の前記牛の代謝性疾患の状態を評価する第二の評価を更に行ってもよい。

　また、本発明にかかる評価方法において、前記評価ステップにおいては、前記第二の評価に続いて、非侵襲的な方法により取得可能な畜牛管理情報に関する値である第三の値、または、前記第三の値が代入される変数を含む式および前記第三の値を用いて算出された前記式の値、または、前記第三の値に基づいて生成されたグラフを用いて、今回の分娩後の前記牛の代謝性疾患の状態を評価する第三の評価を更に行ってもよい。

　また、本発明にかかる評価方法は、前記評価ステップにおいて分娩後に前記代謝性疾患に罹患する可能性が高いと評価された牛に対して、予防的処置を提案する提案ステップを更に含んでもよい。

　また、本発明にかかる評価方法において、前記予防的処置が、ＲｕｍｅｎＰｒｏｔｅｃｔアミノ酸の投与、飼料添加物の投与、薬剤の投与および獣医の診断からなる群から選択される少なくとも一つであってもよい。

　また、本発明にかかる評価方法において、前記飼料添加物が、ＰＨ調整剤、イオンバランス調整剤、カビ毒吸着剤、プロピオン酸カルシウム等のプロピオン酸類縁体、ビタミン、ミネラル、アミノ酸、脂肪酸、尿素、生菌剤、酵母、酵素、抗生物質、抗酸化剤、抗菌剤および有機酸からなる群から選択される少なくとも一つであってもよい。

　また、本発明にかかる評価方法において、前記提案ステップにおいては、前記代謝性疾患に罹患する可能性があると評価された牛に対して、統計的因果推論を行って罹患する原因を推測し、その原因に対応する予防的処置を提案してもよい。

　また、本発明にかかる評価方法において、前記評価ステップおよび前記提案ステップが、制御部を備える情報処理装置の前記制御部において実行されてもよい。

　また、本発明にかかる算出方法は、今回の分娩前の牛の、非侵襲的な方法により取得可能な畜牛管理情報に関する値である第一の値、および、前記第一の値が代入される変数を含む、今回の分娩後の前記牛の代謝性疾患の状態を評価するための式を用いて、前記式の値を算出する算出ステップを含むこと、を特徴とする。

　また、本発明にかかる算出方法において、前記算出ステップは、制御部を備える情報処理装置の前記制御部において実行されてもよい。

　また、本発明にかかる評価装置は、制御部を備える評価装置であって、前記制御部は、今回の分娩前の牛の、非侵襲的な方法により取得可能な畜牛管理情報に関する値である第一の値、前記第一の値が代入される変数を含む式および前記第一の値を用いて算出された前記式の値、または、前記第一の値に基づいて生成されたグラフを用いて、今回の分娩後の前記牛の代謝性疾患の状態を評価する第一の評価を行う評価手段を備えること、を特徴とする。

　また、本発明にかかる評価装置において、前記第一の値、前記式の前記値または前記グラフを提供する端末装置とネットワークを介して通信可能に接続されており、前記制御部は、前記端末装置から送信された前記第一の値、前記式の前記値または前記グラフを受信するデータ受信手段と、前記評価手段で得られた評価結果を前記端末装置へ送信する結果送信手段と、を更に備え、前記評価手段は、前記データ受信手段で受信した前記第一の値、前記式の前記値または前記グラフを用いてもよい。

　また、本発明にかかる算出装置は、制御部を備える算出装置であって、前記制御部は、今回の分娩前の牛の、非侵襲的な方法により取得可能な畜牛管理情報に関する値である第一の値、および、前記第一の値が代入される変数を含む、今回の分娩後の前記牛の代謝性疾患の状態を評価するための式を用いて、前記式の値を算出する算出手段を備えること、を特徴とする。

　また、本発明にかかる評価プログラムは、制御部を備える情報処理装置において実行させるための評価プログラムであって、前記制御部において実行させるための、今回の分娩前の牛の、非侵襲的な方法により取得可能な畜牛管理情報に関する値である第一の値、前記第一の値が代入される変数を含む式および前記第一の値を用いて算出された前記式の値、または、前記第一の値に基づいて生成されたグラフを用いて、今回の分娩後の前記牛の代謝性疾患の状態を評価する第一の評価を行う評価ステップを含むこと、を特徴とする。

　また、本発明にかかる算出プログラムは、制御部を備える情報処理装置において実行させるための算出プログラムであって、前記制御部において実行させるための、今回の分娩前の牛の、非侵襲的な方法により取得可能な畜牛管理情報に関する値である第一の値、および、前記第一の値が代入される変数を含む、今回の分娩後の前記牛の代謝性疾患の状態を評価するための式を用いて、前記式の値を算出する算出ステップを含むこと、を特徴とする。

　また、本発明にかかる記録媒体は、前記評価プログラムまたは前記算出プログラムを記録したコンピュータ読み取り可能な記録媒体である。具体的には、本発明にかかる記録媒体は、一時的でないコンピュータ読み取り可能な記録媒体であって、情報処理装置に前記評価方法または前記算出方法を実行させるためのプログラム化された命令を含むこと、を特徴とする。

　また、本発明にかかる評価システムは、制御部を備える評価装置と制御部を備える端末装置とをネットワークを介して通信可能に接続して構成される評価システムであって、前記端末装置の前記制御部は、今回の分娩前の牛の、非侵襲的な方法により取得可能な畜牛管理情報に関する値である第一の値、前記第一の値が代入される変数を含む式および前記第一の値を用いて算出された前記式の値、または、前記第一の値に基づいて生成されたグラフを前記評価装置へ送信するデータ送信手段と、前記評価装置から送信された、今回の分娩後の前記牛の代謝性疾患の状態に関する評価結果を受信する結果受信手段と、を備え、前記評価装置の前記制御部は、前記端末装置から送信された前記第一の値、前記式の前記値または前記グラフを受信するデータ受信手段と、前記データ受信手段で受信した前記第一の値、前記式の前記値または前記グラフを用いて、今回の分娩後の前記牛の代謝性疾患の状態を評価する評価手段と、前記評価手段で得られた前記評価結果を前記端末装置へ送信する結果送信手段と、を備えること、を特徴とする。

　また、本発明にかかる端末装置は、制御部を備えた端末装置であって、前記制御部は、今回の分娩後の牛の代謝性疾患の状態に関する評価結果を取得する結果取得手段を備え、前記評価結果は、今回の分娩前の牛の、非侵襲的な方法により取得可能な畜牛管理情報に関する値である第一の値、前記第一の値が代入される変数を含む式および前記第一の値を用いて算出された前記式の値、または、前記第一の値に基づいて生成されたグラフを用いて、今回の分娩後の前記牛の代謝性疾患の状態を評価した結果であること、を特徴とする。

　また、本発明にかかる端末装置は、前記評価を行う評価装置とネットワークを介して通信可能に接続されており、前記結果取得手段は、前記評価装置から送信された前記結果を受信してもよい。

　また、本発明にかかる式生成方法は、今回の分娩前の牛の、非侵襲的な方法により取得可能な畜牛管理情報に関する値である第一の値を取得し、今回の分娩後の前記牛の代謝性疾患の状態を取得し、前記取得した第一の値および前記取得した今回の分娩後の前記牛の代謝性疾患の状態を教師データとして用いて、所定の解析手法により、今回の分娩後の前記牛の代謝性疾患の状態を今回の分娩前に評価するための式を生成する式生成ステップを含むこと、を特徴とする。

　また、本発明にかかる式生成方法において、前記第一の値が、採食時間、反芻時間、代謝タンパク質充足率（ＭＰ充足率）、代謝エネルギー充足率（ＭＥ充足率）、乾物摂取量充足率（ＤＭＩ充足率）、搾乳量、乳量充足率および前回の分娩後の日数のうちの少なくとも一つの値であってもよい。

　また、本発明にかかる式生成方法において、前記牛が、乳牛または肉牛であってもよい。

　また、本発明にかかる式生成方法において、前記第一の値が、所定の乳期における値であってもよい。

　また、本発明にかかる式生成方法において、前記第一の値が、今回の分娩前の牛の産次数および総搾乳日数の少なくとも一方であってもよい。

　また、本発明にかかる式生成方法において、前記第一の値が、更に、今回の分娩前の牛の産次数および総搾乳日数の少なくとも一方の属性を持ってもよい。

　また、本発明にかかる式生成方法において、前記第一の値が、平均値および標準偏差の少なくとも一方であってもよい。

　また、本発明にかかる式生成方法において、今回の分娩後の前記牛の代謝性疾患の状態とは、前記牛が今回の分娩後に前記代謝性疾患に罹患している状態であるか、または、前記牛が今回の分娩後に前記代謝性疾患に罹患してはいないものの検査が必要な状態であるか、であってもよい。

　また、本発明にかかる式生成方法において、前記代謝性疾患の状態が、今回の分娩後の所定時点における代謝性疾患の状態であってもよい。

　また、本発明にかかる式生成方法において、前記代謝性疾患が、潜在性ケトーシス、顕在性ケトーシス、子宮炎、胎盤停滞、第四胃変位、乳熱、アシドーシス、蹄病または乳房炎であってもよい。

　また、本発明にかかる式生成方法において、前記所定の解析手法が、決定木、ランダムフォレスト、ニューラルネットワークおよびロジスティック回帰からなる群から選択される少なくとも一つの解析手法であってもよい。

　本発明によれば、今回の分娩後の代謝性疾患の状態を今回の分娩前に血液データを用いずに評価することができるという効果を奏する。

図１は、第１実施形態の基本原理を示す原理構成図である。図２は、第２実施形態の基本原理を示す原理構成図である。図３は、本システムの全体構成の一例を示す図である。図４は、本システムの全体構成の他の一例を示す図である。図５は、本システムの評価装置１００の構成の一例を示すブロック図である。図６は、非血液データファイル１０６ａに格納される情報の一例を示す図である。図７は、ＢＨＢＡ状態情報ファイル１０６ｂに格納される情報の一例を示す図である。図８は、指定ＢＨＢＡ状態情報ファイル１０６ｃに格納される情報の一例を示す図である。図９は、式ファイル１０６ｄ１に格納される情報の一例を示す図である。図１０は、評価結果ファイル１０６ｅに格納される情報の一例を示す図である。図１１は、評価部１０２ｄの構成を示すブロック図である。図１２は、本システムのクライアント装置２００の構成の一例を示すブロック図である。図１３は、本システムのデータベース装置４００の構成の一例を示すブロック図である。図１４は、１産次サイクルあたりの検証の時系列を示す図である。図１５は、実施例１において得られたＲＯＣおよびＡＵＣスコアを示す図である。図１６は、実施例２において得られたＲＯＣおよびＡＵＣスコアを示す図である。図１７は、実施例３の（１）において生成された決定木の一例を示す図である。図１８は、実施例３の（１）において生成された決定木の一例を示す図である。図１９は、実施例３の（１）において生成された決定木の一例を示す図である。図２０は、実施例３の（１）において生成された決定木の一例を示す図である。図２１は、実施例３の（１）において生成された決定木の一例を示す図である。図２２は、実施例３の（１）において得られたＲＯＣおよびＡＵＣスコアを示す図である。図２３は、実施例３の（２）において生成された決定木の一例を示す図である。図２４は、実施例３の（２）において生成された決定木の一例を示す図である。図２５は、実施例３の（２）において生成された決定木の一例を示す図である。図２６は、実施例３の（２）において生成された決定木の一例を示す図である。図２７は、実施例３の（２）において生成された決定木の一例を示す図である。図２８は、実施例３の（２）において得られたＲＯＣおよびＡＵＣスコアを示す図である。図２９は、実施例３の（３）において生成された決定木の一例を示す図である。図３０は、実施例３の（３）において生成された決定木の一例を示す図である。図３１は、実施例３の（３）において生成された決定木の一例を示す図である。図３２は、実施例３の（３）において生成された決定木の一例を示す図である。図３３は、実施例３の（３）において生成された決定木の一例を示す図である。図３４は、実施例３の（３）において得られたＲＯＣおよびＡＵＣスコアを示す図である。図３５は、各式の係数を示す図である。図３６は、ＲＯＣ＿ＡＵＣを示す図である。図３７は、ロジスティック回帰の係数を示す図である。図３８は、ロジスティック回帰のＲＯＣを示す図である。図３９は、特徴量重要度を示す図である。図４０は、ＬｉｇｈｔＧＢＭのＲＯＣを示す図である。図４１は、ロジスティック回帰のＲＯＣを示す図である。図４２は、ＬｉｇｈｔＧＢＭのＲＯＣを示す図である。図４３は、選択された１１種の説明変数を示す図である。図４４は、選択された９種の説明変数を示す図である。図４５は、選択された１３種の説明変数を示す図である。図４６は、２変数モデルを構成する２つの説明変数の組み合わせを示す図である。図４７Ａは、３変数モデルを構成する３つの説明変数の組み合わせを示す図である。図４７Ｂは、３変数モデルを構成する３つの説明変数の組み合わせを示す図である。図４７Ｃは、３変数モデルを構成する３つの説明変数の組み合わせを示す図である。図４８Ａは、４変数モデルを構成する４つの説明変数の組み合わせを示す図である。図４８Ｂは、４変数モデルを構成する４つの説明変数の組み合わせを示す図である。図４８Ｃは、４変数モデルを構成する４つの説明変数の組み合わせを示す図である。図４８Ｄは、４変数モデルを構成する４つの説明変数の組み合わせを示す図である。図４９Ａは、５変数モデルを構成する５つの説明変数の組み合わせを示す図である。図４９Ｂは、５変数モデルを構成する５つの説明変数の組み合わせを示す図である。図４９Ｃは、５変数モデルを構成する５つの説明変数の組み合わせを示す図である。図４９Ｄは、５変数モデルを構成する５つの説明変数の組み合わせを示す図である。図５０Ａは、６変数モデルを構成する６つの説明変数の組み合わせを示す図である。図５０Ｂは、６変数モデルを構成する６つの説明変数の組み合わせを示す図である。図５０Ｃは、６変数モデルを構成する６つの説明変数の組み合わせを示す図である。図５０Ｄは、６変数モデルを構成する６つの説明変数の組み合わせを示す図である。

　以下に、本発明にかかる評価方法、算出方法および式生成方法の実施形態（第１実施形態）ならびに本発明にかかる評価装置、算出装置、評価方法、算出方法、評価プログラム、算出プログラム、記録媒体、評価システムおよび端末装置の実施形態（第２実施形態）を、図面に基づいて詳細に説明する。なお、本発明はこれらの実施形態により限定されるものではない。

［第１実施形態］
　ここでは、第１実施形態の概要について図１を参照して説明する。図１は第１実施形態の基本原理を示す原理構成図である。

［１－１．一次スクリーニング］
　最初に、牛の血液を用いずに行うスクリーニングである一次スクリーニングを以下のようにして行う。

　まず、今回の分娩前の評価対象となる牛の、非侵襲的な方法により取得可能な畜牛管理情報に関する値（第一の値）を含む非血液データを取得する（図１のステップＳ１１）。

　前記非侵襲的な方法とは、牛に負担をかけないまたは牛を傷つけない方法であり、例えば、牛に取り付けられたセンサーから情報を取得する方法および牛に関する飼料設計情報から情報を取得する方法等を指す。

　評価対象となる牛は、特に制限されず、例えば、乳牛（乳用牛）または肉牛（肉用牛）である。

　前記第一の値は、例えば、採食時間、反芻時間、代謝タンパク質充足率（ＭＰ充足率）、代謝エネルギー充足率（ＭＥ充足率）、乾物摂取量充足率（ＤＭＩ充足率）、搾乳量、乳量充足率および前回の分娩後の日数という８種の数値うちの少なくとも一つの値である。

　前記第一の値は、例えば、所定の乳期における値である。前記所定の乳期は、例えば、フレッシュ期（前回の分娩後１～２０日）、泌乳前期（前回の分娩後２１～８０日）、泌乳ピーク期（前回の分娩後８１～１８０日）または泌乳後期（前回の分娩後１８１日～今回の分娩前６０日）という４種の乳期である。

　前記所定の乳期の分け方は、前段落で説明した例に限定されず、例えば、次のような分け方であってもよい。すなわち、（１）前期(０～１０週前後)、中期(１０～２０週前後)および後期(２０週前後～)に分け、（２）当該前期の最初３週間をフレッシュ期とし、（３）乳量がピークに到達する分娩後約３か月をピーク期とする、という分け方であってもよい。

　前記採食時間は、牛が採食行動にかけた時間である。前記反芻時間は、牛が反芻行動（第一胃まで飲み込んだ食べ物を再び□の中に戻して、再咀嚼する行動）にかけた時間である。前記採食時間および前記反芻時間は、例えば、前記牛に取り付けられたセンサー（加速度センサー等）から、行動履歴として日々自動的に取得することができる。

　前記代謝タンパク質充足率（ＭＰ充足率）は、飼料設計情報から想定される代謝タンパク質の量に対して、実際に摂取された代謝タンパクが占める割合である。前記代謝エネルギー充足率（ＭＥ充足率）は、飼料設計情報から想定される代謝エネルギーに対して、実際に摂取された代謝エネルギーが占める割合である。前記乾物摂取量充足率（ＤＭＩ充足率）は、飼料設計情報から想定される乾物摂取量に対して、実際に摂取された乾物摂取量が占める割合である。前記乾物摂取量は、飼料の摂取量から、水分に相当する分を除いた量である。

　前記代謝タンパク質充足率（ＭＰ充足率）、前記代謝エネルギー充足率（ＭＥ充足率）および前記乾物摂取量充足率（ＤＭＩ充足率）は、採食時間の相対比率を用いて算出することができる。前記採食時間の相対比率は、例えば、「（採食時間の相対比率）＝（採食時間の重み）／（その牛群での採食時間の重みの平均値）」という計算式により算出することができる。前記採食時間の重みは、例えば、「（採食時間の重み）＝（採食時間）^λ」という計算式により算出することができる。λの値は、農場の過去データの推定ＤＭＩの分散が規定値になるように調整する。λの値を小さくすることで、摂取時間が大きい場合の重みを小さくすることができる。

　前記代謝タンパク質充足率（ＭＰ充足率）は、例えば、「（ＭＰ充足率）＝（飼料設計情報における牛群一頭あたりのＭＰ充足率）×（採食時間の相対比率）」という計算式により算出することができる。

　前記代謝エネルギー充足率（ＭＥ充足率）は、例えば、「（ＭＥ充足率）＝（飼料設計情報における牛群一頭あたりのＭＥ充足率）×（採食時間の相対比率）」という計算式により算出することができる。

　前記乾物摂取量充足率（ＤＭＩ充足率）は、例えば、「（ＤＭＩ充足率）＝（推定ＤＭＩ）／（飼料設計情報における想定ＤＭＩ）」という計算式により算出することができる。前記推定ＤＭＩは、例えば、「（推定ＤＭＩ）＝（飼料設計情報における牛群一頭あたりのＤＭＩ）×（採食時間の相対比率）」という計算式により算出することができる。

　前記搾乳量は、例えば、牛の飼料設計情報から取得することができる。前記乳量充足率は、飼料設計情報から想定される乳量に対して、実測された乳量が占める割合である。前記乳量充足率は、例えば、「（乳量充足率）＝（実際の乳量）／（飼料設計情報における想定乳量）」という計算式により算出することができる。

　前記第一の値は、今回の分娩前の牛の産次数および総搾乳日数の少なくとも一方であってもよい。前記産次数とは、牛が何回分娩を経験したのかを表す数である。

　前記第一の値は、更に、今回の分娩前の牛の産次数および総搾乳日数の少なくとも一方の属性を持ってもよい。言い換えると、前記第一の値は、所定の産次数または所定の総搾乳日数における値であってもよい。たとえば、畜牛管理情報の採食時間であれば、ある産次数（牛が経験した出産回数）のときの採食時間や、ある総搾乳日数のときの採食時間として表現できる。

　前記第一の値は、例えば、平均値および標準偏差という２種の統計用数値の少なくとも一方である。

　ここで、前記４種の乳期、前記８種の数値および前記２種の統計用数値の組合せを、基本データセットと定義する。例えば、当該基本データセットを構成する組合せの一例として、「前記泌乳ピーク期における前記搾乳量の平均値」が挙げられる。また、当該基本データセットを構成する組合せの別例として、「前記フレッシュ期における前記反芻時間の標準偏差」が挙げられる。

　つぎに、一次スクリーニングとして、ステップＳ１１で取得した非血液データに含まれている前記第一の値を用いて、今回の分娩後の評価対象となる牛の代謝性疾患の状態を評価（予測／推定）する第一の評価を行う（図１のステップＳ１２）。なお、ステップＳ１２を実行する前に、ステップＳ１１で取得した非血液データから欠損値や外れ値などのデータを除去してもよい。

　前記第一の評価においては、評価対象となる牛が今回の分娩後に前記代謝性疾患に罹患している状態であるか、および、評価対象となる牛が今回の分娩後に前記代謝性疾患に罹患してはいないものの更なる評価（後述する第二の評価）が必要な状態であるか、の少なくとも一方を評価してもよい。

　前記代謝性疾患の状態は、例えば、今回の分娩後の所定時点における代謝性疾患の状態である。また、前記代謝性疾患は、例えば、潜在性ケトーシス、顕在性ケトーシス、子宮炎、胎盤停滞、第四胃変位、乳熱、アシドーシス、蹄病または乳房炎等である。

　ここで、ステップＳ１２では、前記第一の値、および、前記第一の値が代入される変数を含む、今回の分娩後の前記牛の代謝性疾患の状態を評価するための式を用いて式の値を算出することで、前記第一の評価を行ってもよい。また、前記第一の値が代入される変数には、前記第一の値を例えば後述する手法等で変換した後の値が代入されてもよい。

　また、分娩後のケトーシスの状態を評価する際、前記第一の値以外に、例えば、代謝性疾患発生に影響を与える以下に挙げた因子に関する値などをさらに用いても構わない。また、式には、前記第一の値が代入される変数以外に、例えば、代謝性疾患発生に影響を与える以下に挙げた因子に関する値などが代入される変数がさらに含まれていてもよい。
・経産か未経産かを意味する産次項（２値変数）
・体重、摂食量、ボディコンディションスコア（ＢＣＳ）、気温、湿度、飼育密度、及び季節

　また、前記第一の値または前記式の値を例えば以下に挙げた手法などで変換し、変換後の値を用いて、評価対象の分娩後の代謝性疾患の状態を評価してもよい。
　前記第一の値または前記式の値の取り得る範囲が所定範囲（例えば０．０から１．０までの範囲、０．０から１０．０までの範囲、０．０から１００．０までの範囲、又は－１０．０から１０．０までの範囲、など）に収まるようにする等のために、例えば、前記第一の値または前記式の値に対して任意の値を加減乗除したり、前記第一の値または前記式の値を所定の変換手法（例えば、指数変換、対数変換、角変換、平方根変換、プロビット変換、逆数変換、Ｂｏｘ－Ｃｏｘ変換、又はべき乗変換など）で変換したり、また、前記第一の値または前記式の値に対してこれらの計算を組み合わせて行ったりすることで、前記第一の値または前記式の値を変換してもよい。例えば、前記第一の値または前記式の値を指数としネイピア数を底とする指数関数の値（具体的には、分娩後の代謝性疾患の状態が所定の状態（例えば血中ＢＨＢＡ濃度が基準値を超えた状態など）である確率ｐを定義したときの自然対数ｌｎ（ｐ／（１－ｐ））が前記第一の値または前記式の値と等しいとした場合におけるｐ／（１－ｐ）の値）をさらに算出してもよく、また、算出した指数関数の値を１と当該値との和で割った値（具体的には、確率ｐの値）をさらに算出してもよい。
　また、特定の条件のときの変換後の値が特定の値となるように、前記第一の値または前記式の値を変換してもよい。例えば、感度が９５％のときの変換後の値が５．０となり且つ感度が８０％のときの変換後の値が８．０となるように前記第一の値または前記式の値を変換してもよい。
　また、前記第一の値を正規分布化した後、平均５０、標準偏差１０となるように前記第一の値を偏差値化してもよい。また、前記式の値に関しては、平均５０、標準偏差１０となるように前記式の値を偏差値化してもよい。

　また、モニタ等の表示装置又は紙等の物理媒体に視認可能に示される所定の物差し上における所定の目印の位置に関する位置情報を、前記第一の値（当該値を変換した場合にはその変換後の値）または前記式の値（当該式の値を変換した場合にはその変換後の値）を用いて生成し、生成した位置情報を、評価対象の分娩後の代謝性疾患の状態に関する評価結果としてもよい。なお、所定の物差しとは、分娩後の代謝性疾患の状態を評価するためのものであり、例えば、目盛りが示された物差しであって、「前記第一の値若しくは前記式の値の取り得る範囲」又は「当該範囲の一部分」における上限値と下限値に対応する目盛りが少なくとも示されたもの、などである。また、所定の目印とは、前記第一の値若しくは前記式の値又は変換後の値に対応するものであり、例えば、丸印又は星印などである。

　また、前記第一の値または前記式の値が、所定値（平均値±１ＳＤ、２ＳＤ、３ＳＤ、Ｎ分位点、Ｎパーセンタイル又は臨床的意義の認められたカットオフ値など）より低い若しくは所定値以下である場合又は所定値以上若しくは所定値より高い場合に、評価対象の分娩後の代謝性疾患の状態を評価してもよい。その際、前記第一の値または前記式の値そのものではなく、偏差値を用いてもよい。例えば、偏差値が平均値－２ＳＤ未満の場合（偏差値＜３０の場合）又は偏差値が平均値＋２ＳＤより高い場合（偏差値＞７０の場合）に、評価対象の分娩後の代謝性疾患の状態を評価してもよい。

　また、評価対象が分娩後に代謝性疾患となるリスク（可能性）を定性的に評価してもよい。
　例えば、前記第一の値と予め設定された１つ又は複数の閾値を用いて、又は、前記第一の値と前記第一の値が代入される変数を含む式と予め設定された１つ又は複数の閾値とを用いて、評価対象を、分娩後に代謝性疾患となるリスクの程度を少なくとも考慮して定義された複数の区分のうちのどれか１つに分類してもよい。なお、複数の区分には、分娩後に代謝性疾患となるリスクが高い対象（例えば、分娩後の血中ＢＨＢＡ濃度が基準値（例えば１２００μｍｏｌ／ｄｌなど）以上となる対象）を属させるための区分、および、分娩後に代謝性疾患となるリスクが低い対象（例えば、分娩後の血液ＢＨＢＡ濃度が基準値（例えば１２００μｍｏｌ／ｄｌなど）未満となる対象）を属させるための区分が含まれていてもよい。また、複数の区分には、分娩後に代謝性疾患となるリスクが高い対象を属させるための区分、分娩後に代謝性疾患となるリスクが低い対象を属させるための区分、および分娩後に代謝性疾患となるリスクが中程度の対象を属させるための区分が含まれていてもよい。
　また、例えば、前記第一の値と予め設定された１つ又は複数の閾値を用いて、又は、前記第一の値と前記第一の値が代入される変数を含む式と予め設定された１つ又は複数の閾値とを用いて、評価対象の分娩後の血液中のＢＨＢＡの濃度値を推定してもよい。
　また、前記第一の値または前記式の値を所定の手法で変換し、変換後の値を用いて、評価対象を複数の区分のうちのどれか１つに分類してもよい。

　また、評価の際に用いる式について、その形式は特に問わないが、例えば、以下に示す形式のものでもよい。
・最小二乗法に基づく重回帰式、線形判別式、主成分分析、正準判別分析などの線形モデル
・最尤法に基づくロジスティック回帰、Ｃｏｘ回帰などの一般化線形モデル
・一般化線形モデルに加えて個体間差、施設間差などの変量効果を考慮した一般化線形混合モデル
・ＭＣＭＣ(マルコフ連鎖モンテカルロ法)、ベイジアンネットワーク、ナイーブベイズ法などベイズ統計に基づき作成された式
・Ｋ－ｍｅａｎｓ法、階層的クラスター解析などクラスター解析で作成された式
・ｋ近傍法、サポートベクターマシン、決定木などクラス分類により作成された式
・ニューラルネットワークおよび畳み込みニューラルネットワークや再帰的ニューラルネットワークに基づく深層学習で作成された式
・ランダムフォレストや勾配ブースティングなどアンサンブル学習に基づくクラス分類により作成された式
・既存の学習済みモデルに基づく転移学習に基づくクラス分類により作成された式
・分数式など上記のカテゴリに属さない手法により作成された式
・異なる形式の式の和で示されるような式

　また、評価の際に用いる式を、例えば、本出願人による国際出願である国際公開第２００４／０５２１９１号に記載の方法又は本出願人による国際出願である国際公開第２００６／０９８１９２号に記載の方法で作成してもよい。なお、これらの方法で得られた式であれば、入力データとしての非血液データにおける前記第一の値の単位に因らず、当該式を、分娩後の代謝性疾患の状態を評価するのに好適に用いることができる。

　ここで、重回帰式、多重ロジスティック回帰式、正準判別関数などにおいては各変数に係数及び定数項が付加されるが、この係数及び定数項は、好ましくは実数であれば構わず、より好ましくは、データから前記の各種分類を行うために得られた係数及び定数項の９９％信頼区間の範囲に属する値であれば構わず、さらに好ましくは、データから前記の各種分類を行うために得られた係数及び定数項の９５％信頼区間の範囲に属する値であれば構わない。また、各係数の値及びその信頼区間は、それを実数倍したものでもよく、定数項の値及びその信頼区間は、それに任意の実定数を加減乗除したものでもよい。ロジスティック回帰式、線形判別式、重回帰式などを評価の際に用いる場合、線形変換（定数の加算、定数倍）及び単調増加（減少）の変換（例えばｌｏｇｉｔ変換など）は評価性能を変えるものではなく変換前と同等であるので、これらの変換が行われた後のものを用いてもよい。

　また、分数式とは、当該分数式の分子が変数Ａ，Ｂ，Ｃ，・・・の和で表わされ及び／又は当該分数式の分母が変数ａ，ｂ，ｃ，・・・の和で表わされるものである。また、分数式には、このような構成の分数式α，β，γ，・・・の和（例えばα＋βのようなもの）も含まれる。また、分数式には、分割された分数式も含まれる。なお、分子や分母に用いられる変数にはそれぞれ適当な係数がついても構わない。また、分子や分母に用いられる変数は重複しても構わない。また、各分数式に適当な係数がついても構わない。また、各変数の係数の値や定数項の値は、実数であれば構わない。ある分数式と、当該分数式において分子の変数と分母の変数が入れ替えられたものとでは、目的変数との相関の正負の符号が概して逆転するものの、それらの相関性は保たれるが故に、評価性能も同等と見做せるので、分数式には、分子の変数と分母の変数が入れ替えられたものも含まれる。

　また、ステップＳ１２では、前記第一の値に基づいて生成されたグラフを用いて、前記第一の評価を行ってもよい。具体的には、前記前回の分娩後の日数を一方の軸（Ｘ軸）の値とし、前記搾乳量を他方の軸（Ｙ軸）の値とすることで生成された前記グラフの画像を用いて、畳み込みニューラルネットワーク（ＣＮＮ）により、前記第一の評価を行ってもよい。ここで、生成された前記グラフは、畜牛管理情報を用いて作成された図であれば如何なるものであってもよく、例えば、散布図、折れ線グラフ、レーダーチャート、棒グラフ、円グラフ、帯グラフおよびヒストグラム等である。

　以上、本項目［１－１］で説明してきたように、本実施形態に係る評価方法によれば、今回の分娩後の代謝性疾患の状態を今回の分娩前に血液データを用いずに評価することができる。より具体的には、牛の血液データではなく、センサーから日々取得される情報（前記採食時間および前記反芻時間）や飼料設計情報を用いる本実施形態に係る一次スクリーニングを行うことで、今回の分娩後の代謝性疾患の状態に関する信頼性の高い情報を今回の分娩前に提供することができる。これにより、例えば、酪農家が牛１頭１頭の血液を採取する手間を省くことができる。

　なお、本項目［１－１］では、ステップＳ１２を含む評価方法について説明したが、本発明は、ステップＳ１２を含む飼育方法や給餌方法等であってもよい。

　ここで、本実施形態においては、血液データを用いずに行う［１－１］で説明した一次スクリーニングに続けて、血液データを用いて行う［１－２］で説明する二次スクリーニング（血液スクリーニング）を行ってもよい。

［１－２．二次スクリーニング（血液スクリーニング）］
　つぎに、「一次スクリーニングにおいて前記代謝性疾患に罹患するリスクが高いと判断された牛」または「一次スクリーニングにおいて前記代謝性疾患に罹患するリスクが極めて低いと判断された健康な牛を除いた牛」を対象として、牛の血液を用いて行うスクリーニングである二次スクリーニング（血液スクリーニング）を行う。

　ここで、二次スクリーニングの対象となる牛の選定は、例えば、以下のように行うことができる。すなわち、決定木およびロジスティック回帰を用いた一次スクリーニングの結果、決定木を用いた一次スクリーニングで「リスク有」となった牛のうち、ロジスティック回帰を用いた一次スクリーニングでリスク値が高くなった上位Ｎ頭（例えば１２頭）を、二次スクリーニングの対象となる牛として選定してもよい。そして、二次スクリーニングを以下のようにして行う。

　まず、今回の分娩前の評価対象となる牛の血液（例えば血漿、血清などを含む）中のアミノ酸の濃度値（第二の値）を含む血液データを取得する（図１のステップＳ１３）。前記血液データは、更に、前記濃度値と共にまたは前記濃度値に代えて、生化学の検査値を含んでもよい。前記濃度値および前記検査値としては、例えば、本出願人による国際出願である国際公開第２０１８／００３６３８号に記載のものを用いることができる。

　なお、ステップＳ１３では、例えば、前記濃度値または前記検査値の測定を行う企業等が測定した血液データを取得してもよい。また、評価対象から採取した分娩前の血液から、例えば以下の（Ａ）、（Ｂ）、または（Ｃ）などの測定方法により前記濃度値または前記検査値を測定することで、前記血液データを取得してもよい。ここで、前記濃度値の単位は、例えばモル濃度、重量濃度又は酵素活性であってもよく、これらの濃度に任意の定数を加減乗除することで得られるものでもよい。
（Ａ）採取した血液サンプルを遠心することにより血液から血漿を分離する。全ての血漿サンプルは、濃度値の測定時まで－８０℃で凍結保存する。濃度値測定時には、０．０２Ｎ塩酸を添加し限外ろ過で除蛋白処理を行った後、標識試薬（３－アミノピリジル－Ｎ－ヒドロキシスクシンイミジルカルバメート）を用いてプレカラム誘導体化を行い、そして、液体クロマトグラフ質量分析計（ＬＣ／ＭＳ）により濃度値を分析する（国際公開第２００３／０６９３２８号、国際公開第２００５／１１６６２９号を参照）。
（Ｂ）採取した血液サンプルを遠心することにより血液から血漿を分離する。全ての血漿サンプルは、濃度値の測定時まで－８０℃で凍結保存する。濃度値測定時には、０．０２Ｎ塩酸を添加し限外ろ過で除蛋白処理を行った後、ニンヒドリン試薬を用いたポストカラム誘導体化法を原理としたアミノ酸分析計により濃度値を分析する。
（Ｃ）採取した血液サンプルを、膜やＭＥＭＳ技術または遠心分離の原理を用いて血球分離を行い、血液から血漿または血清を分離する。血漿または血清取得後すぐに濃度値の測定を行わない血漿または血清サンプルは、濃度値の測定時まで－８０℃で凍結保存する。濃度値測定時には、酵素やアプタマーなど、標的とするアミノ酸又は生化学と反応または結合する分子等を用い、基質認識によって増減する物質や分光学的値を定量等することにより濃度値を分析する。

　つぎに、二次スクリーニングとして、ステップＳ１３で取得した血液データに含まれている前記第二の値を用いて、今回の分娩後の評価対象となる牛の代謝性疾患の状態を評価（予測／推定）する第二の評価を行う（図１のステップＳ１４）。なお、ステップＳ１４を実行する前に、ステップＳ１３で取得した血液データから欠損値や外れ値などのデータを除去してもよい。

　ここで、ステップＳ１４では、前記第二の値、および、前記第二の値が代入される変数を含む、今回の分娩後の前記牛の代謝性疾患の状態を評価するための式を用いて式の値を算出することで、前記第二の評価を行ってもよい。また、前記第二の値が代入される変数には、前記第二の値を例えば後述する手法等で変換した後の値が代入されてもよい。

　本項目［１－２］における各用語および統計解析手法等の記載は、［１－１］における各用語および統計解析手法等の記載をそのまま又は読み替えて援用することができる。

　以上、本項目［１－２］で説明してきたように、本実施形態に係る評価方法によれば、血液データを用いて行う二次スクリーニングは、一次スクリーニングにより牛の頭数を絞った上で行うことができる。これにより、二次スクリーニングを行う場合であっても、酪農家がすべての牛の血液を採取する必要はなくなるので、酪農家の負担が大幅に軽減する。

［１－３．三次スクリーニング（中リスク群の分類）］
　さらに、「二次スクリーニングにおいて前記代謝性疾患に罹患するリスクが極めて高いと判断された牛（高リスク群の牛）」および「二次スクリーニングにおいて前記代謝性疾患に罹患するリスクが低いと判断された健康な牛（低リスク群の牛）」を除いた牛（中リスク群の牛）を対象として、非侵襲的な方法により取得可能な畜牛管理情報に関する情報を用いて行うクラスタリングである三次クラスタリングを行う。

　前記高リスク群の牛は、獣医の診断による予防的処置が必要な牛である。前記低リスク群の牛は、予防的処置が必要ない牛である。

　前記中リスク群の牛は、飼料添加物の投与による予防的処置が有効な牛である。前記中リスク群の牛を前記三次クラスタリングにより更に分類することで、各分類についての属性情報、因果関係および作用機序等を考慮して、各分類に適した飼料添加物を決定することができる。

　三次クラスタリングは、前記第二の評価（ステップＳ１４）に続いて、非侵襲的な方法により取得可能な畜牛管理情報に関する値である第三の値、または、前記第三の値が代入される変数を含む式および前記第三の値を用いて算出された前記式の値、または、前記第三の値に基づいて生成されたグラフを用いて、今回の分娩後の前記牛の代謝性疾患の状態を評価する第三の評価ということもできる。

　ここで、三次クラスタリングの対象となる牛の選定は、例えば、以下のように行うことができる。すなわち、ロジスティック回帰を用いた二次スクリーニングの結果、リスク値が高くなった上位Ｎ頭（例えば１２頭）とリスク値が低くなった下位Ｍ頭（例えば１０頭）を除いた牛を、三次クラスタリングの対象となる牛として選定してもよい。

　三次クラスタリングの手法としては、階層的クラスタリング、k-means法などの非階層的クラスタリング、混合ガウスモデルを用いることができる。さらに、特開２０２２－０１３４０９号公報で開示された手法を用いることもできる。

［１－４．予防的処置の提案］
　つぎに、前記評価ステップにおいて分娩後に前記代謝性疾患に罹患している可能性が高いと評価された牛に対して、予防的処置を提案する（図１のステップＳ１５）。なお、予防的処置の提案は、前記第一の評価（一次スクリーニング）のみを行った後に行ってもよいし、前記第一の評価（一次スクリーニング）および前記第二の評価（二次スクリーニング）を行った後に行ってもよいし、前記第一の評価（一次スクリーニング）、前記第二の評価（二次スクリーニング）および前記第三の評価（三次スクリーニング）を行った後に行ってもよい。

　前記予防的処置は、例えば、ＡｊｉＰｒｏ（登録商標）－ＬなどのＲｕｍｅｎＰｒｏｔｅｃｔアミノ酸の投与、飼料添加物の投与、薬剤の投与および獣医の診断からなる群から選択される少なくとも一つである。なお、ＡｊｉＰｒｏ（登録商標）－Ｌとしては、例えば、本出願人による国際出願である国際公開第２００８／０４１３７１号に記載のものを用いることができる。前記飼料添加物は、例えば、ＰＨ調整剤、イオンバランス調整剤、カビ毒吸着剤、プロピオン酸カルシウム等のプロピオン酸類縁体、ビタミン、ミネラル、アミノ酸、脂肪酸、尿素、生菌剤、酵母、酵素、抗生物質、抗酸化剤、抗菌剤および有機酸からなる群から選択される少なくとも一つである。

　ここで、ステップＳ１５では、前記代謝性疾患に罹患する可能性があると評価された牛に対して、統計的因果推論を行って罹患する原因を推測し、その原因に対応する予防的処置を提案してもよい。具体的には、予防的処置の提案は前記第一の評価（一次スクリーニング）および代謝性疾患のリスクの度合いに応じて予防的処理を変えてもよい。たとえば、一次スクリーニングで中程度のリスクであると評価された牛についてクラスタリング解析を実施してさらにリスクの度合いを細分化してそれぞれに対して原因とそれに対応する予防的処置を提案してもよい。たとえば、一次スクリーニング後のクラスタリングについては一次スクリーニングを実施した決定木の結果からリーフノードごとに予防的処置をあらためて提案してもよい。またさらに一次スクリーニングのあとで中程度のリスク群の牛について因果探索解析を行って説明変数と代謝性疾患の間の因果を解析することで予防的処置の種類を選定してもよい。なお、一次スクリーニングで高リスクであると評価された牛については、獣医師の個別対処による予防的処置を提案してもよい。

　以下、予防的処置の提案の具体例を説明する。

　予防的処置の提案においては、前記代謝エネルギー充足率（ＭＥ充足率）または前記代謝タンパク質充足率（ＭＰ充足率）と、二次スクリーニング（血液スクリーニング）の結果と、を用いて、以下で説明するように飼料設計情報の変更を提案してもよい。

　まず、フレッシュ期（前回の分娩後１～２０日）におけるＭＥ充足率またはＭＰ充足率が、８０％を超えていることを、フレッシュ期についての要求基準とする。ただし、二次スクリーニングの結果が「陽性（高リスク）」である場合には、＋αの要求基準として、ＭＥ充足率については＋２％、ＭＰ充足率については＋６％が設定されるものとする。

　ＭＥ充足率またはＭＰ充足率と、二次スクリーニングの結果と、前記フレッシュ期についての要求基準と、を用いて、栄養状態が「充足」と「不足」のどちらに該当するかを判定する。例えば、「ＭＥ充足率＝８５％、二次スクリーニングの結果＝陰性」の牛がいた場合、当該牛のＭＥ充足率＝８５％は、前記フレッシュ期についての要求基準＝８０％を超えているため、判定結果は「充足」となる。これに対して、例えば、「ＭＥ充足率＝８１％、二次スクリーニングの結果＝陽性」の牛がいた場合、当該牛のＭＥ充足率＝８１％は、前記フレッシュ期についての要求基準＝８２％（陽性のため、＋２％した値）を超えていないため、判定結果は「不足」となる。また、二次スクリーニングの結果、「ＭＥ充足率＝１２０％、二次スクリーニングの結果＝陽性」であったときには充足率が１００％を超えるときにはリスクが高まることもあるので「過剰」と判断してもよい。

　このようにして、各牛が「充足」と「不足」のどちらに該当するかを判定し、判定結果を用いて、フレッシュ期スコアを算出する。前記フレッシュ期スコアは、「１－（不足と判定された牛の数／フレッシュ期の牛の総数）」に１００を掛けることで算出可能である。例えば、フレッシュ期の牛の総数３０頭に対して、「不足と判定された牛の数」が１２頭である場合には、前記フレッシュ期スコアは、「１－（１２／３０）」に１００を掛けて６０ｐｔと算出可能である。

　一方で、泌乳後期（前回の分娩後１８１日～今回の分娩前６０日）におけるＭＥ充足率またはＭＰ充足率が、１２０％以下であることを、泌乳後期についての要求基準とする。

　ＭＥ充足率またはＭＰ充足率と、前記泌乳後期についての要求基準と、を用いて、栄養状態が「許容」と「過肥」のどちらに該当するかを判定する。例えば、「ＭＥ充足率＝１００％」の牛がいた場合、当該牛のＭＥ充足率＝１００％は、前記泌乳後期についての要求基準＝１２０％以下であるため、判定結果は「許容」となる。これに対して、例えば、「ＭＥ充足率＝１２５％」の牛がいた場合、当該牛のＭＥ充足率＝１２５％は、前記泌乳後期についての要求基準＝１２０％以下ではないため、判定結果は「過肥」となる。

　このようにして、各牛が「許容」と「過肥」のどちらに該当するかを判定し、判定結果を用いて、泌乳後期スコアを算出する。前記泌乳後期スコアは、「１－（過肥と判定された牛の数／泌乳後期の牛の総数）」に１００を掛けることで算出可能である。例えば、泌乳後期の牛の総数１２０頭に対して、「過肥と判定された牛の数」が２０頭である場合には、前記泌乳後期スコアは、「１－（２０／１２０）」に１００を掛けて８３．３ｐｔと算出可能である。

　そして、前記算出したフレッシュ期スコアおよび前記算出した泌乳後期スコアに基づいて、健康スコア（合算値）を算出する。前記健康スコアは、「フレッシュ期スコア×フレッシュ期重要度＋泌乳後期スコア×泌乳後期重要度」という式により算出可能である。フレッシュ期重要度：泌乳後期重要度は、「フレッシュ期重要度＋泌乳後期重要度＝１」となるように適宜設定可能だが、例えば、０．６：０．４である。当該式にここまで説明した値を代入すると、前記健康スコアは、「フレッシュ期スコア６０ｐｔ×フレッシュ期重要度０．６＋泌乳後期スコア８３．３ｐｔ×泌乳後期重要度０．４」＝６９．３ｐｔと算出可能である。

　最後に、前記算出した健康スコアに基づいて、飼料設計情報の変更を提案する。前記算出した健康スコア６９．３ｐｔは、現状の飼料設計情報を用いて算出した現状の健康スコアである。同様の方法で、仮の飼料設計情報（例えば、栄養濃度を変更したもの）を用いて、仮の健康スコアを算出することができる。算出された仮の健康スコアが、現状の健康スコア６９．３ｐｔよりも大きい値である場合には、仮の飼料設計情報の方が好ましいということとなるため、現状の飼料設計情報に代えて仮の飼料設計情報を提案することで、飼料設計情報の変更を提案してもよい。

［１－５．代謝性疾患の状態を評価するための式の生成］
　一次スクリーニングに先立って、今回の分娩後の牛の代謝性疾患の状態を今回の分娩前に評価するための式を以下のようにして生成してもよい。

　まず、今回の分娩前の牛の、非侵襲的な方法により取得可能な畜牛管理情報に関する値である第一の値を取得する。

　前記牛は、特に制限されず、例えば、乳牛（乳用牛）または肉牛（肉用牛）である。

　前記第一の値は、例えば、採食時間、反芻時間、代謝タンパク質充足率（ＭＰ充足率）、代謝エネルギー充足率（ＭＥ充足率）、乾物摂取量充足率（ＤＭＩ充足率）、搾乳量、乳量充足率および前回の分娩後の日数のうちの少なくとも一つの値である。また、前記第一の値は、例えば、所定の乳期における値である。

　前記第一の値は、今回の分娩前の牛の産次数および総搾乳日数のうち少なくとも一方であってもよい。

　前記第一の値は、更に、今回の分娩前の牛の産次数および総搾乳日数の少なくとも一方の属性を持ってもよい。

　前記第一の値は、例えば、平均値および標準偏差という前記２種の統計用数値の少なくとも一方である。

　一方で、今回の分娩後の前記牛の代謝性疾患の状態を取得する。今回の分娩後の前記牛の代謝性疾患の状態とは、例えば、前記牛が今回の分娩後に前記代謝性疾患に罹患している状態であるか、または、前記牛が今回の分娩後に前記代謝性疾患に罹患してはいないものの検査が必要な状態であるか、である。

　今回の分娩後の前記牛の代謝性疾患の状態として、前記牛が今回の分娩後に前記代謝性疾患に罹患している状態であるかを取得する場合、前記牛が代謝性疾患であるか否かを表す二者択一の情報を取得してもよいし、あるいは、分娩後血中ＢＨＢＡ濃度が３０００μｍｏｌ／ｌ以上を示す顕在性ケトーシスの状態、分娩後血中ＢＨＢＡ濃度が１２００μｍｏｌ／ｌ以上を示す潜在性ケトーシスの状態および分娩後血中ＢＨＢＡ濃度が１２００μｍｏｌ／ｌ未満を示す非ケトーシスの状態のいずれの状態に該当するかを表す段階的な情報を取得してもよい。

　そして、前記取得した第一の値および前記取得した今回の分娩後の前記牛の代謝性疾患の状態を教師データとして用いて、所定の解析手法により、今回の分娩後の前記牛の代謝性疾患の状態を今回の分娩前に評価するための式を生成する。

　前記所定の解析手法は、特に制限されないが、例えば、決定木、ランダムフォレスト、ニューラルネットワークおよびロジスティック回帰からなる群から選択される少なくとも一つの解析手法である。前記ニューラルネットワークとしては、例えば、畳み込みニューラルネットワーク（ＣＮＮ）等が挙げられる。

　本項目［１－５］における各用語の記載は、［１－１］における各用語の記載をそのまま又は読み替えて援用することができる。

［第２実施形態］
［２－１．第２実施形態の概要］
　ここでは、第２実施形態の概要について図２を参照して説明する。図２は第２実施形態の基本原理を示す原理構成図である。なお、本第２実施形態の説明では、上述した第１実施形態と重複する説明を省略する場合がある。特に、ここでは、分娩後の代謝性疾患の状態を評価する際に、式の値又は当該式の値の変換後の値を用いるケースを一例として記載しているが、例えば、前記第一の値又はその変換後の値を用いてもよい。

　制御部は、前記非血液データに含まれている前記第一の値および前記第一の値が代入される変数を含む予め記憶部に記憶された式を用いて当該式の値を算出することで、評価対象の分娩後の代謝性疾患の状態を評価する（図２のステップＳ２１）。

　なお、ステップＳ２１で用いられる式は、以下に説明する式作成処理（工程１～工程４）に基づいて作成されたものでもよい。ここで式作成処理の概要について説明する。

　まず、制御部は、前記第一の値を含む非血液データと分娩後の血液中のＢＨＢＡの濃度値に関するＢＨＢＡデータとを含む予め記憶部に記憶されたＢＨＢＡ状態情報（欠損値や外れ値などを持つデータが事前に除去されているものでもよい）から所定の式作成手法に基づいて、候補式（例えば、ｙ＝ａ１ｘ１＋ａ２ｘ２＋・・・＋ａｎｘｎ、ｙ：ＢＨＢＡデータ、ｘｉ：非血液データ、ａｉ：定数、ｉ＝１，２，・・・，ｎ）を作成する（工程１）。

　なお、工程１において、ＢＨＢＡ状態情報から、複数の異なる式作成手法（主成分分析や判別分析、サポートベクターマシン、重回帰分析、Ｃｏｘ回帰分析、ロジスティック回帰分析、ｋ－ｍｅａｎｓ法、クラスター解析、決定木などの多変量解析に関するものを含む。）を併用して複数の候補式を作成してもよい。具体的には、多数の牛から得た分娩前の非血液データと分娩後のＢＨＢＡデータとから構成される多変量データであるＢＨＢＡ状態情報に対して、複数の異なるアルゴリズムを利用して、複数群の候補式を同時並行的に作成してもよい。例えば、異なるアルゴリズムを利用して判別分析およびロジスティック回帰分析を同時に行い、２つの異なる候補式を作成してもよい。また、主成分分析を行って作成した候補式を利用してＢＨＢＡ状態情報を変換し、変換したＢＨＢＡ状態情報に対して判別分析を行うことで候補式を作成してもよい。これにより、最終的に、評価に最適な式を作成することができる。

　ここで、主成分分析を用いて作成した候補式は、全ての非血液データの分散を最大にするような各変数を含む一次式である。また、判別分析を用いて作成した候補式は、各群内の分散の和の全ての非血液データの分散に対する比を最小にするような各変数を含む高次式（指数や対数を含む）である。また、サポートベクターマシンを用いて作成した候補式は、群間の境界を最大にするような各変数を含む高次式（カーネル関数を含む）である。また、重回帰分析を用いて作成した候補式は、全ての非血液データからの距離の和を最小にするような各変数を含む高次式である。また、Ｃｏｘ回帰分析を用いて作成した候補式は、対数ハザード比を含む線形モデルで、そのモデルの尤度を最大とするような各変数とその係数を含む１次式であるである。また、ロジスティック回帰分析を用いて作成した候補式は、確率の対数オッズを表す線形モデルであり、その確率の尤度を最大にするような各変数を含む一次式である。また、ｋ－ｍｅａｎｓ法とは、各非血液データのｋ個近傍を探索し、近傍点の属する群の中で一番多いものをそのデータの所属群と定義し、入力された血液データの属する群と定義された群とが最も合致するような変数を選択する手法である。また、クラスター解析とは、全ての非血液データの中で最も近い距離にある点同士をクラスタリング（群化）する手法である。また、決定木とは、変数に序列をつけて、序列が上位である変数の取りうるパターンから非血液データの群を予測する手法である。

　式作成処理の説明に戻り、制御部は、工程１で作成した候補式を、所定の検証手法に基づいて検証（相互検証）する（工程２）。候補式の検証は、工程１で作成した各候補式に対して行う。なお、工程２において、ブートストラップ法やホールドアウト法、Ｎ－フォールド法、リーブワンアウト法などのうち少なくとも１つに基づいて、候補式の判別率や感度、特異度、情報量基準、ＲＯＣ＿ＡＵＣ（受信者特性曲線の曲線下面積）などのうち少なくとも１つに関して検証してもよい。これにより、ＢＨＢＡ状態情報や評価条件を考慮した予測性または頑健性の高い候補式を作成することができる。

　ここで、判別率とは、例えば、分娩後に代謝性疾患となった評価対象（具体的には分娩後の血液中のＢＨＢＡの濃度値が基準値（例えば１２００μｍｏｌ／ｄｌ）以上となった評価対象）を本実施形態に係る評価手法で正しく「リスクが高い（具体的には当該基準値以上となる）」と評価し、分娩後に代謝性疾患とならなかった評価対象（具体的には分娩後の血液中のＢＨＢＡの濃度値が基準値（例えば１２００μｍｏｌ／ｄｌ）未満となった評価対象）を当該評価手法で正しく「リスクが低い（具体的には当該基準値未満となる）」と評価している割合である。また、感度とは、例えば、分娩後に代謝性疾患となった評価対象（具体的には分娩後の血液中のＢＨＢＡの濃度値が基準値以上となった評価対象）を本実施形態に係る評価手法で正しく「リスクが高い（具体的には当該基準値以上となる）」と評価している割合である。また、特異度とは、例えば、分娩後に代謝性疾患とならなかった評価対象（具体的には分娩後の血液中のＢＨＢＡの濃度値が基準値未満となった評価対象）を本実施形態に係る評価手法で正しく「リスクが低い（具体的には当該基準値未満となる）」と評価している割合である。また、赤池情報量規準とは、回帰分析などの場合に、観測データが統計モデルにどの程度一致するかを表す基準であり、「－２×（統計モデルの最大対数尤度）＋２×（統計モデルの自由パラメータ数）」で定義される値が最小となるモデルを最もよいと判断する。また、ＲＯＣ＿ＡＵＣ（受信者特性曲線の曲線下面積）は、二次元座標上に（ｘ，ｙ）＝（１－特異度，感度）をプロットして作成される曲線である受信者特性曲線（ＲＯＣ）の曲線下面積として定義され、ＲＯＣ＿ＡＵＣの値は完全な判別では１となり、この値が１に近いほど判別性が高いことを示す。また、予測性とは、候補式の検証を繰り返すことで得られた判別率や感度、特異度を平均したものである。また、頑健性とは、候補式の検証を繰り返すことで得られた判別率や感度、特異度の分散である。

　式作成処理の説明に戻り、制御部は、所定の変数選択手法に基づいて候補式の変数を選択することで、候補式を作成する際に用いるＢＨＢＡ状態情報に含まれる非血液データの組み合わせを選択する（工程３）。なお、工程３において、変数の選択は、工程１で作成した各候補式に対して行ってもよい。これにより、候補式の変数を適切に選択することができる。そして、工程３で選択した非血液データを含むＢＨＢＡ状態情報を用いて再び工程１を実行する。また、工程３において、工程２での検証結果からステップワイズ法、ベストパス法、近傍探索法、遺伝的アルゴリズムのうち少なくとも１つに基づいて候補式の変数を選択してもよい。なお、ベストパス法とは、候補式に含まれる変数を１つずつ順次減らしていき、候補式が与える評価指標を最適化することで変数を選択する方法である。

　式作成処理の説明に戻り、制御部は、上述した工程１、工程２および工程３を繰り返し実行し、これにより蓄積した検証結果に基づいて、複数の候補式の中から評価の際に用いる候補式を選出することで、評価の際に用いる式を作成する（工程４）。なお、候補式の選出には、例えば、同じ式作成手法で作成した候補式の中から最適なものを選出する場合と、すべての候補式の中から最適なものを選出する場合とがある。

　以上、説明したように、式作成処理では、ＢＨＢＡ状態情報に基づいて、候補式の作成、候補式の検証および候補式の変数の選択に関する処理を一連の流れで体系化（システム化）して実行することにより、分娩後の代謝性疾患の状態の評価に最適な式を作成することができる。換言すると、式作成処理では、前記非血液データを多変量の統計解析に用い、最適でロバストな変数の組を選択するために変数選択法とクロスバリデーションとを組み合わせて、評価性能の高い式を抽出する。

　以上、本項目［２－１］では、一次スクリーニングを行う場合の第２実施形態の概要について説明したが、本項目［２－１］の「非血液データ」を「血液データ」と読み替え、本項目［２－１］の「第一の値」を「第二の値」と読み替えることで、二次スクリーニングを行う場合の第２実施形態の概要にも援用することができる。

［２－２．第２実施形態の構成］
　ここでは、第２実施形態にかかる評価システム（以下では本システムと記す場合がある。）の構成について、図３から図１３を参照して説明する。なお、本システムはあくまでも一例であり、本発明はこれに限定されない。特に、ここでは、分娩後の代謝性疾患の状態を評価する際に、式の値又はその変換後の値を用いるケースを一例として記載しているが、例えば、前記第一の値又はその変換後の値を用いてもよい。

　まず、本システムの全体構成について図３および図４を参照して説明する。図３は本システムの全体構成の一例を示す図である。また、図４は本システムの全体構成の他の一例を示す図である。本システムは、図３に示すように、分娩後の代謝性疾患の状態を評価する評価装置１００と、非血液データを提供するクライアント装置２００（本発明の端末装置に相当）とを、ネットワーク３００を介して通信可能に接続して構成されている。なお、本システムは、図４に示すように、評価装置１００やクライアント装置２００の他に、評価装置１００で式を作成する際に用いるＢＨＢＡ状態情報や、評価の際に用いる式などを格納したデータベース装置４００を、ネットワーク３００を介して通信可能に接続して構成されてもよい。

　つぎに、本システムの評価装置１００の構成について図５から図１１を参照して説明する。図５は、本システムの評価装置１００の構成の一例を示すブロック図であり、該構成のうち本発明に関係する部分のみを概念的に示している。

　評価装置１００は、当該評価装置を統括的に制御するＣＰＵ等の制御部１０２と、ルータ等の通信装置および専用線等の有線または無線の通信回線を介して当該評価装置をネットワーク３００に通信可能に接続する通信インターフェース部１０４と、各種のデータベースやテーブルやファイルなどを格納する記憶部１０６と、入力装置１１２や出力装置１１４に接続する入出力インターフェース部１０８と、で構成されており、これら各部は任意の通信路を介して通信可能に接続されている。ここで、評価装置１００は、各種の分析装置（例えば非血液データ分析装置等）と同一筐体で構成されてもよい。例えば、前記第一の値を算出（測定）し、算出した値を出力（印刷やモニタ表示など）する構成（ハードウェアおよびソフトウェア）を備えた小型分析装置において、後述する評価部１０２ｄをさらに備え、当該評価部１０２ｄで得られた結果を前記構成を用いて出力すること、を特徴とするものでもよい。

　通信インターフェース部１０４は、評価装置１００とネットワーク３００（またはルータ等の通信装置）との間における通信を媒介する。すなわち、通信インターフェース部１０４は、他の端末と通信回線を介してデータを通信する機能を有する。

　入出力インターフェース部１０８は、入力装置１１２や出力装置１１４に接続する。ここで、出力装置１１４には、モニタ（家庭用テレビを含む）の他、スピーカやプリンタを用いることができる。入力装置１１２には、キーボードやマウスやマイクの他、マウスと協働してポインティングデバイス機能を実現するモニタを用いることができる。

　記憶部１０６は、ストレージ手段であり、例えば、ＲＡＭ・ＲＯＭ等のメモリ装置や、ハードディスクのような固定ディスク装置、フレキシブルディスク、光ディスク等を用いることができる。記憶部１０６には、ＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）と協働してＣＰＵに命令を与え各種処理を行うためのコンピュータプログラムが記録されている。記憶部１０６は、図示の如く、非血液データファイル１０６ａと、ＢＨＢＡ状態情報ファイル１０６ｂと、指定ＢＨＢＡ状態情報ファイル１０６ｃと、式関連情報データベース１０６ｄと、評価結果ファイル１０６ｅと、を格納する。

　非血液データファイル１０６ａは、前記第一の値関する非血液データを格納する。図６は、非血液データファイル１０６ａに格納される情報の一例を示す図である。非血液データファイル１０６ａに格納される情報は、図６に示すように、評価対象である個体（サンプル）を一意に識別するための個体番号と、非血液データとを相互に関連付けて構成されている。ここで、図６では、非血液データを数値、すなわち連続尺度として扱っているが、非血液データは名義尺度や順序尺度でもよい。なお、名義尺度や順序尺度の場合は、それぞれの状態に対して任意の数値を与えることで解析してもよい。また、非血液データに、代謝性疾患発生に影響を与える上述した因子に関する値を組み合わせてもよい。

　図５に戻り、ＢＨＢＡ状態情報ファイル１０６ｂは、式を作成する際に用いるＢＨＢＡ状態情報を格納する。図７は、ＢＨＢＡ状態情報ファイル１０６ｂに格納される情報の一例を示す図である。ＢＨＢＡ状態情報ファイル１０６ｂに格納される情報は、図７に示すように、個体番号と、分娩後の血液中のＢＨＢＡの濃度値を表すＢＨＢＡデータ（Ｔ）と、非血液データと、を相互に関連付けて構成されている。ここで、図７では、ＢＨＢＡデータおよび非血液データを数値（すなわち連続尺度）として扱っているが、ＢＨＢＡデータおよび非血液データは名義尺度や順序尺度でもよい。なお、名義尺度や順序尺度の場合は、それぞれの状態に対して任意の数値を与えることで解析してもよい。

　図５に戻り、指定ＢＨＢＡ状態情報ファイル１０６ｃは、後述する指定部１０２ｂで指定したＢＨＢＡ状態情報を格納する。図８は、指定ＢＨＢＡ状態情報ファイル１０６ｃに格納される情報の一例を示す図である。指定ＢＨＢＡ状態情報ファイル１０６ｃに格納される情報は、図８に示すように、個体番号と、指定したＢＨＢＡデータと、指定した非血液データと、を相互に関連付けて構成されている。

　図５に戻り、式関連情報データベース１０６ｄは、後述する式作成部１０２ｃで作成した式を格納する式ファイル１０６ｄ１で構成される。式ファイル１０６ｄ１は、評価の際に用いる式を格納する。図９は、式ファイル１０６ｄ１に格納される情報の一例を示す図である。式ファイル１０６ｄ１に格納される情報は、図９に示すように、ランクと、式（図９では、Ｆｐ（採食時間，・・・）やＦｐ（採食時間，反芻時間，ＤＭＩ充足率）、Ｆｋ（採食時間，反芻時間，ＤＭＩ充足率，・・・）など）と、各式作成手法に対応する閾値と、各式の検証結果（例えば各式の値）と、を相互に関連付けて構成されている。

　図５に戻り、評価結果ファイル１０６ｅは、後述する評価部１０２ｄで得られた評価結果を格納する。図１０は、評価結果ファイル１０６ｅに格納される情報の一例を示す図である。評価結果ファイル１０６ｅに格納される情報は、評価対象である個体（サンプル）を一意に識別するための個体番号と、予め取得した個体の非血液データと、分娩後の代謝性疾患の状態に関する評価結果（例えば、後述する算出部１０２ｄ１で算出した式の値、後述する変換部１０２ｄ２で得られた変換後の値、後述する生成部１０２ｄ３で生成した位置情報、又は、後述する分類部１０２ｄ４で得られた分類結果、など）と、を相互に関連付けて構成されている。

　図５に戻り、制御部１０２は、ＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）等の制御プログラム・各種の処理手順等を規定したプログラム・所要データなどを格納するための内部メモリを有し、これらのプログラムに基づいて種々の情報処理を実行する。制御部１０２は、図示の如く、大別して、取得部１０２ａと指定部１０２ｂと式作成部１０２ｃと評価部１０２ｄと結果出力部１０２ｅと送信部１０２ｆとを備えている。制御部１０２は、データベース装置４００から送信されたＢＨＢＡ状態情報やクライアント装置２００から送信された非血液データに対して、欠損値のあるデータの除去・外れ値の多いデータの除去・欠損値のあるデータの多い変数の除去などのデータ処理も行う。

　取得部１０２ａは、情報（具体的には、非血液データ、ＢＨＢＡ状態情報および式など）を取得する。例えば、取得部１０２ａは、クライアント装置２００やデータベース装置４００から送信された情報（具体的には、非血液データ、ＢＨＢＡ状態情報および式など）を、ネットワーク３００などを介して受信することで、情報の取得を行ってもよい。なお、取得部１０２ａは、評価結果の送信先のクライアント装置２００とは異なるクライアント装置２００から送信された評価に用いられるデータを受信してもよい。また、例えば、記録媒体に記録されている情報の読み出しを行うための機構（ハードウェアおよびソフトウェアを含む）を評価装置１００が備える場合、取得部１０２ａは、記録媒体に記録されている情報（具体的には、非血液データ、ＢＨＢＡ状態情報および式など）を当該機構を介して読み出すことで、情報の取得を行ってもよい。指定部１０２ｂは、式を作成するにあたり対象とするＢＨＢＡデータおよび非血液データを指定する。

　式作成部１０２ｃは、取得部１０２ａで取得したＢＨＢＡ状態情報や指定部１０２ｂで指定したＢＨＢＡ状態情報に基づいて式を作成する。なお、式が予め記憶部１０６の所定の記憶領域に格納されている場合には、式作成部１０２ｃは、記憶部１０６から所望の式を選択することで、式を作成してもよい。また、式作成部１０２ｃは、式を予め格納した他のコンピュータ装置（例えばデータベース装置４００）から所望の式を選択しダウンロードすることで、式を作成してもよい。

　評価部１０２ｄは、事前に得られた式（例えば、式作成部１０２ｃで作成した式、又は、取得部１０２ａで取得した式など）及び取得部１０２ａで取得した非血液データに含まれる前記第一の値を用いて式の値を算出することで、個体の分娩後の代謝性疾患の状態を評価する。なお、評価部１０２ｄは、前記第一の値又はその変換後の値を用いて、個体の分娩後の代謝性疾患の状態を評価してもよい。

　また、評価部１０２ｄは、取得部１０２ａで取得した非血液データに含まれる前記第一の値に基づいて生成されたグラフを用いて、個体の分娩後の代謝性疾患の状態を評価してもよい。具体的には、評価部１０２ｄは、前記前回の分娩後の日数を一方の軸（Ｘ軸）の値とし、前記搾乳量を他方の軸（Ｙ軸）の値とすることで生成された前記グラフの画像を用いて、畳み込みニューラルネットワーク（ＣＮＮ）により、個体の分娩後の代謝性疾患の状態を評価してもよい。

　ここで、評価部１０２ｄの構成について図１１を参照して説明する。図１１は、評価部１０２ｄの構成を示すブロック図であり、該構成のうち本発明に関係する部分のみを概念的に示している。評価部１０２ｄは、算出部１０２ｄ１と、変換部１０２ｄ２と、生成部１０２ｄ３と、分類部１０２ｄ４と、をさらに備えている。

　算出部１０２ｄ１は、前記第一の値および当該前記第一の値が代入される変数を含む式を用いて、式の値を算出する。なお、評価部１０２ｄは、算出部１０２ｄ１で算出した式の値を評価結果として評価結果ファイル１０６ｅの所定の記憶領域に格納してもよい。

　変換部１０２ｄ２は、算出部１０２ｄ１で算出した式の値を例えば上述した変換手法などで変換する。なお、変換部１０２ｄ２は、非血液データに含まれている前記第一の値を、例えば上述した変換手法などで変換してもよい。また、評価部１０２ｄは、変換部１０２ｄ２で得られた変換後の値を評価結果として評価結果ファイル１０６ｅの所定の記憶領域に格納してもよい。

　生成部１０２ｄ３は、モニタ等の表示装置又は紙等の物理媒体に視認可能に示される所定の物差し上における所定の目印の位置に関する位置情報を、算出部１０２ｄ１で算出した式の値又は変換部１０２ｄ２で得られた変換後の値（前記第一の値又はその変換後の値でもよい）を用いて生成する。なお、評価部１０２ｄは、生成部１０２ｄ３で生成した位置情報を評価結果として評価結果ファイル１０６ｅの所定の記憶領域に格納してもよい。

　分類部１０２ｄ４は、算出部１０２ｄ１で算出した式の値又は変換部１０２ｄ２で得られた変換後の値（前記第一の値又はその変換後の値でもよい）を用いて、個体を、分娩後に代謝性疾患となるリスクの程度を少なくとも考慮して定義された複数の区分のうちのどれか１つに分類する。

　結果出力部１０２ｅは、制御部１０２の各処理部での処理結果（評価部１０２ｄで得られた評価結果を含む）等を出力装置１１４に出力する。

　送信部１０２ｆは、個体の非血液データの送信元のクライアント装置２００に対して評価結果を送信したり、データベース装置４００に対して、評価装置１００で作成した式や評価結果を送信したりする。

　つぎに、本システムのクライアント装置２００の構成について図１２を参照して説明する。図１２は、本システムのクライアント装置２００の構成の一例を示すブロック図であり、該構成のうち本発明に関係する部分のみを概念的に示している。

　クライアント装置２００は、制御部２１０とＲＯＭ２２０とＨＤ２３０とＲＡＭ２４０と入力装置２５０と出力装置２６０と入出力ＩＦ２７０と通信ＩＦ２８０とで構成されており、これら各部は任意の通信路を介して通信可能に接続されている。クライアント装置２００は、プリンタ・モニタ・イメージスキャナ等の周辺装置を必要に応じて接続した情報処理装置（例えば、既知のパーソナルコンピュータ・ワークステーション・家庭用ゲーム装置・インターネットＴＶ・ＰＨＳ端末・携帯端末・移動体通信端末・ＰＤＡ等の情報処理端末など）を基にしたものであってもよい。

　入力装置２５０はキーボードやマウスやマイク等である。なお、後述するモニタ２６１もマウスと協働してポインティングデバイス機能を実現する。出力装置２６０は、通信ＩＦ２８０を介して受信した情報を出力する出力手段であり、モニタ（家庭用テレビを含む）２６１およびプリンタ２６２を含む。この他、出力装置２６０にスピーカ等を設けてもよい。入出力ＩＦ２７０は入力装置２５０や出力装置２６０に接続する。

　通信ＩＦ２８０は、クライアント装置２００とネットワーク３００（またはルータ等の通信装置）とを通信可能に接続する。換言すると、クライアント装置２００は、モデムやＴＡやルータなどの通信装置および電話回線を介して、または専用線を介してネットワーク３００に接続される。これにより、クライアント装置２００は、所定の通信規約に従って評価装置１００にアクセスすることができる。

　制御部２１０は、受信部２１１および送信部２１２を備えている。受信部２１１は、通信ＩＦ２８０を介して、評価装置１００から送信された評価結果などの各種情報を受信する。送信部２１２は、通信ＩＦ２８０を介して、個体の非血液データなどの各種情報を評価装置１００へ送信する。

　制御部２１０は、当該制御部で行う処理の全部または任意の一部を、ＣＰＵおよび当該ＣＰＵにて解釈して実行するプログラムで実現してもよい。ＲＯＭ２２０またはＨＤ２３０には、ＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）と協働してＣＰＵに命令を与え、各種処理を行うためのコンピュータプログラムが記録されている。当該コンピュータプログラムは、ＲＡＭ２４０にロードされることで実行され、ＣＰＵと協働して制御部２１０を構成する。また、当該コンピュータプログラムは、クライアント装置２００と任意のネットワークを介して接続されるアプリケーションプログラムサーバに記録されてもよく、クライアント装置２００は、必要に応じてその全部または一部をダウンロードしてもよい。また、制御部２１０で行う処理の全部または任意の一部を、ワイヤードロジック等によるハードウェアで実現してもよい。

　ここで、制御部２１０は、評価装置１００に備えられている評価部１０２ｄが有する機能と同様の機能を有する評価部２１０ａ（算出部２１０ａ１、変換部２１０ａ２、生成部２１０ａ３、及び分類部２１０ａ４を含む）を備えていてもよい。そして、制御部２１０に評価部２１０ａが備えられている場合には、評価部２１０ａは、評価装置１００から送信された評価結果に含まれている情報に応じて、変換部２１０ａ２で式の値（前記第一の値でもよい）を変換したり、生成部２１０ａ３で式の値又は変換後の値（前記第一の値またはその変換後の値でもよい）に対応する位置情報を生成したり、分類部２１０ａ４で式の値又は変換後の値（前記第一の値またはその変換後の値でもよい）を用いて個体を複数の区分のうちのどれか１つに分類したりしてもよい。

　つぎに、本システムのネットワーク３００について図３、図４を参照して説明する。ネットワーク３００は、評価装置１００とクライアント装置２００とデータベース装置４００とを相互に通信可能に接続する機能を有し、例えばインターネットやイントラネットやＬＡＮ（有線／無線の双方を含む）等である。なお、ネットワーク３００は、ＶＡＮや、パソコン通信網や、公衆電話網（アナログ／デジタルの双方を含む）や、専用回線網（アナログ／デジタルの双方を含む）や、ＣＡＴＶ網や、携帯回線交換網または携帯パケット交換網（ＩＭＴ２０００方式、ＧＳＭ（登録商標）方式またはＰＤＣ／ＰＤＣ－Ｐ方式等を含む）や、無線呼出網や、Ｂｌｕｅｔｏｏｔｈ（登録商標）等の局所無線網や、ＰＨＳ網や、衛星通信網（ＣＳ、ＢＳまたはＩＳＤＢ等を含む）等でもよい。

　つぎに、本システムのデータベース装置４００の構成について図１３を参照して説明する。図１３は、本システムのデータベース装置４００の構成の一例を示すブロック図であり、該構成のうち本発明に関係する部分のみを概念的に示している。

　データベース装置４００は、評価装置１００または当該データベース装置で式を作成する際に用いるＢＨＢＡ状態情報や、評価装置１００で作成した式、評価装置１００での評価結果などを格納する機能を有する。図１３に示すように、データベース装置４００は、当該データベース装置を統括的に制御するＣＰＵ等の制御部４０２と、ルータ等の通信装置および専用線等の有線または無線の通信回路を介して当該データベース装置をネットワーク３００に通信可能に接続する通信インターフェース部４０４と、各種のデータベースやテーブルやファイルなどを格納する記憶部４０６と、入力装置４１２や出力装置４１４に接続する入出力インターフェース部４０８と、で構成されており、これら各部は任意の通信路を介して通信可能に接続されている。

　記憶部４０６は、ストレージ手段であり、例えば、ＲＡＭ・ＲＯＭ等のメモリ装置や、ハードディスクのような固定ディスク装置や、フレキシブルディスクや、光ディスク等を用いることができる。記憶部４０６には、各種処理に用いる各種プログラム等を格納する。通信インターフェース部４０４は、データベース装置４００とネットワーク３００（またはルータ等の通信装置）との間における通信を媒介する。すなわち、通信インターフェース部４０４は、他の端末と通信回線を介してデータを通信する機能を有する。入出力インターフェース部４０８は、入力装置４１２や出力装置４１４に接続する。ここで、出力装置４１４には、モニタ（家庭用テレビを含む）の他、スピーカやプリンタを用いることができる。また、入力装置４１２には、キーボードやマウスやマイクの他、マウスと協働してポインティングデバイス機能を実現するモニタを用いることができる。

　制御部４０２は、ＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）等の制御プログラム・各種の処理手順等を規定したプログラム・所要データなどを格納するための内部メモリを有し、これらのプログラムに基づいて種々の情報処理を実行する。制御部４０２は、図示の如く、大別して、送信部４０２ａと受信部４０２ｂを備えている。送信部４０２ａは、ＢＨＢＡ状態情報や式などの各種情報を、評価装置１００へ送信する。受信部４０２ｂは、評価装置１００から送信された、式や評価結果などの各種情報を受信する。

　なお、本説明では、評価装置１００が、非血液データの取得から、式の値の算出、個体の区分への分類、そして評価結果の送信までを実行し、クライアント装置２００が評価結果の受信を実行するケースを例として挙げたが、クライアント装置２００に評価部２１０ａが備えられている場合は、評価装置１００は式の値の算出を実行すれば十分であり、例えば式の値の変換、位置情報の生成、及び、個体の区分への分類などは、評価装置１００とクライアント装置２００とで適宜分担して実行してもよい。
　例えば、クライアント装置２００が評価装置１００から式の値を受信した場合には、評価部２１０ａは、変換部２１０ａ２で式の値を変換したり、生成部２１０ａ３で式の値又は変換後の値に対応する位置情報を生成したり、分類部２１０ａ４で式の値又は変換後の値を用いて個体を複数の区分のうちのどれか１つに分類したりしてもよい。
　また、クライアント装置２００が評価装置１００から変換後の値を受信した場合には、評価部２１０ａは、生成部２１０ａ３で変換後の値に対応する位置情報を生成したり、分類部２１０ａ４で変換後の値を用いて個体を複数の区分のうちのどれか１つに分類したりしてもよい。
　また、クライアント装置２００が評価装置１００から式の値又は変換後の値と位置情報とを受信した場合には、評価部２１０ａは、分類部２１０ａ４で式の値又は変換後の値を用いて個体を複数の区分のうちのどれか１つに分類してもよい。

　以上、本項目［２－２］では、一次スクリーニングを行う場合の第２実施形態の構成について説明したが、本項目［２－２］の「非血液データ」を「血液データ」と読み替え、本項目［２－２］の「第一の値」を「第二の値」と読み替えることで、二次スクリーニングを行う場合の第２実施形態の構成にも援用することができる。

［２－３．他の実施形態］
　本発明にかかる評価装置、評価方法、評価プログラム、評価システム、および情報通信端末装置は、上述した第２実施形態以外にも、特許請求の範囲に記載した技術的思想の範囲内において種々の異なる実施形態にて実施されてよいものである。

　また、第２実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。

　このほか、上記文献中や図面中で示した処理手順、制御手順、具体的名称、各処理の登録データや検索条件等のパラメータを含む情報、画面例、データベース構成については、特記する場合を除いて任意に変更することができる。

　また、評価装置１００に関して、図示の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。

　例えば、評価装置１００が備える処理機能、特に制御部１０２にて行われる各処理機能については、その全部または任意の一部を、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）および当該ＣＰＵにて解釈実行されるプログラムにて実現してもよく、また、ワイヤードロジックによるハードウェアとして実現してもよい。尚、プログラムは、情報処理装置に本発明にかかる評価方法を実行させるためのプログラム化された命令を含む一時的でないコンピュータ読み取り可能な記録媒体に記録されており、必要に応じて評価装置１００に機械的に読み取られる。すなわち、ＲＯＭまたはＨＤＤなどの記憶部１０６などには、ＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）と協働してＣＰＵに命令を与え、各種処理を行うためのコンピュータプログラムが記録されている。このコンピュータプログラムは、ＲＡＭにロードされることによって実行され、ＣＰＵと協働して制御部を構成する。

　また、このコンピュータプログラムは評価装置１００に対して任意のネットワークを介して接続されたアプリケーションプログラムサーバに記憶されていてもよく、必要に応じてその全部または一部をダウンロードすることも可能である。

　また、本発明にかかる評価プログラムを、一時的でないコンピュータ読み取り可能な記録媒体に格納してもよく、また、プログラム製品として構成することもできる。ここで、この「記録媒体」とは、メモリーカード、ＵＳＢメモリ、ＳＤカード、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ（登録商標）、ＣＤ－ＲＯＭ、ＭＯ、ＤＶＤ、および、Ｂｌｕ－ｒａｙ（登録商標）　Ｄｉｓｃ等の任意の「可搬用の物理媒体」を含むものとする。

　また、「プログラム」とは、任意の言語または記述方法にて記述されたデータ処理方法であり、ソースコードまたはバイナリコード等の形式を問わない。なお、「プログラム」は必ずしも単一的に構成されるものに限られず、複数のモジュールやライブラリとして分散構成されるものや、ＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）に代表される別個のプログラムと協働してその機能を達成するものをも含む。なお、実施形態に示した各装置において記録媒体を読み取るための具体的な構成および読み取り手順ならびに読み取り後のインストール手順等については、周知の構成や手順を用いることができる。

　記憶部１０６に格納される各種のデータベース等は、ＲＡＭ、ＲＯＭ等のメモリ装置、ハードディスク等の固定ディスク装置、フレキシブルディスク、および、光ディスク等のストレージ手段であり、各種処理やウェブサイト提供に用いる各種のプログラム、テーブル、データベース、および、ウェブページ用ファイル等を格納する。

　また、評価装置１００は、既知のパーソナルコンピュータまたはワークステーション等の情報処理装置として構成してもよく、また、任意の周辺装置が接続された当該情報処理装置として構成してもよい。また、評価装置１００は、当該情報処理装置に本発明の評価方法を実現させるソフトウェア（プログラムまたはデータ等を含む）を実装することにより実現してもよい。

　更に、装置の分散・統合の具体的形態は図示するものに限られず、その全部または一部を、各種の付加等に応じてまたは機能負荷に応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。すなわち、上述した実施形態を任意に組み合わせて実施してもよく、実施形態を選択的に実施してもよい。

　実施例１においては、非血液データを用いて、ロジスティック回帰式により、分娩後の代謝性疾患の状態を評価できることを確認した。

　一般酪農場で計３９９頭のメスのホルスタイン種乳牛(経産牛)の牛群管理データを取得した。なお、牛群管理データには、説明変数として以下の項目が含まれていた。

　説明変数は、各牛の産次ごとに算出される変数と分娩後の泌乳期間中に記録される日次データとから構成される。

　前記各牛の産次ごとに算出される変数として、以下の３つの変数を用いた。
・今回の分娩の産次（今回の分娩の産次数が２以下の場合は今回の分娩の産次を「０」とし、今回の分娩の産次数が３以上の場合は今回の分娩の産次を「１」とした）
・搾乳日数（今回の分娩日６０日前までの搾乳日数）
・分娩間隔

　前記分娩後の泌乳期間中に記録される日次データの変数として、以下の３つの変数を用いた。前記日次データには、その牛の１日の中での採食行動および反芻時間等の行動データが記録されている。前記行動データは、センサーから得ることができる。
・搾乳量
・採食時間
・反芻時間

　前記日次データの３つの変数それぞれについて、泌乳期間毎に、平均値および標準偏差（分散）を算出した。そして、当該算出した平均値および標準偏差（分散）を、説明変数として用いた。なお、前記泌乳期間とは、フレッシュ期（前回の分娩後１～２０日）、泌乳前期（前回の分娩後２１～８０日）、泌乳ピーク期（前回の分娩後８１～１８０日）および泌乳後期（前回の分娩後１８１日～今回の分娩前６０日）という４つの期間である。

　目的変数は、今回の分娩後に、ケトーシスを発症するか（１）、しないか（０）、である。

　１産次サイクルあたりの検証の時系列は、図１４に示すとおりとなる。

　計３９９頭の牛を、分娩後ケトーシス罹患の有無を基準に、健常群とケトーシス群の２群に分類した。そして、分娩前牛群管理データを用いて、この２群の判別性能を最大化する指標をロジスティック解析により探索し、探索された式についてＲＯＣ曲線のＡＵＣによる評価を行った。

　なお、複数の特徴量の中には、予測にとって重要でないものおよび他の特徴量との相関が強いものがある。このような特徴量は予測の精度を悪化させる恐れがあるため、以下の表１に示す特徴量を選択することで、ロジスティック解析式の精度を向上させた。具体的には、最終的に式に採用された変数は、以下の表１に示すように、産次、フレッシュ期搾乳量平均、泌乳前期搾乳量平均、泌乳ピーク期搾乳量平均、泌乳後期搾乳量平均、フレッシュ期搾乳量標準偏差、泌乳前期搾乳量標準偏差、泌乳ピーク期搾乳量標準偏差および泌乳後期搾乳量標準偏差であった。

　生成されたロジスティック回帰式の精度検証の方法として、データを５分割する交差検証法を用いた。分割されたデータセットごとのロジスティック回帰のパラメータ（回帰係数）を表２に示す。精度の指標としては、ＲＯＣ曲線の曲線下面積(ROC　AUC:Area　undue　the　ROC　curve)を用いた。得られたＲＯＣおよびＡＵＣスコアを、図１５に示す。

　図１５に示すように、ＲＯＣ＿ＡＵＣは、０．６６５～０．７４８という高い値となった。このことから、非血液データを用いて、ロジスティック回帰式により、分娩後の代謝性疾患の状態を評価できることが判明した。

　実施例２においては、搾乳量を除く非血液データ（行動データ）を用いて、ロジスティック回帰式により、分娩後の代謝性疾患の状態を評価できることを確認した。実施例２においては、実施例１と同様の方法で検証を行ったが、説明変数として搾乳量は用いなかった。

　なお、複数の特徴量の中には、予測にとって重要でないものおよび他の特徴量との相関が強いものがある。このような特徴量は予測の精度を悪化させる恐れがあるため、以下の表３に示す特徴量を選択することで、ロジスティック解析式の精度を向上させた。具体的には、最終的に式に採用された変数は、以下の表３に示すように、産次、フレッシュ期反芻時間平均、泌乳前期反芻時間平均、泌乳ピーク期反芻時間平均、泌乳後期反芻時間平均、フレッシュ期反芻時間標準偏差、泌乳前期反芻時間標準偏差、泌乳ピーク期反芻時間標準偏差および泌乳後期反芻時間標準偏差であった。

　生成されたロジスティック回帰式の精度検証の方法として、データを５分割する交差検証法を用いた。分割されたデータセットごとのロジスティック回帰のパラメータ（回帰係数）を表４に示す。精度の指標としては、ＲＯＣ曲線の曲線下面積を用いた。得られたＲＯＣおよびＡＵＣスコアを、図１６に示す。

　図１６に示すように、ＲＯＣ＿ＡＵＣは、０．５５４～０．６８７という高い値となった。このことから、搾乳量なしの非血液データ（行動データ）を用いて、ロジスティック回帰式により、分娩後の代謝性疾患の状態を評価できることが判明した。

　実施例３においては、非血液データを用いて、決定木により、分娩後の代謝性疾患の状態を評価できることを確認した。なお、実施例３においては、特に説明がない限り、実施例１と同様の牛、説明変数および目的変数を用いた。

　実施例３においては、（１）乳量データを説明変数として用いた場合、（２）乳量データに加えて行動データ（反芻時間）も説明変数として用いた場合、および、（３）乳量データに加えて採食時間も説明変数として用いた場合の３パターンについて、生成した決定木により分娩後の代謝性疾患の状態を評価できることを確認した。

（１）乳量データを説明変数として用いた場合
　計３９９頭の牛を、分娩後ケトーシス罹患の有無を基準に、健常群（３３４頭）とケトーシス群（６５頭）の２群に分類した。そして、分娩前牛群管理データを用いて、この２群の判別性能を最大化する決定木を生成した。この際、ノードの最大深さは６、最小頭数１５頭を指定した。

　説明変数として、産次、フレッシュ期搾乳量平均、泌乳前期搾乳量平均、泌乳ピーク期搾乳量平均、泌乳後期搾乳量平均、フレッシュ期搾乳量標準偏差、泌乳前期搾乳量標準偏差、泌乳ピーク期搾乳量標準偏差および泌乳後期搾乳量標準偏差を使用した。

　生成された決定木の精度検証の方法として、データを５分割する交差検証法を用いた。生成された５つの決定木を、図１７～図２１に示す。精度の指標としては、ＲＯＣ曲線の曲線下面積を用いた。得られたＲＯＣおよびＡＵＣスコアを、図２２に示す。

　図２２に示すように、ＲＯＣ＿ＡＵＣは、０．５１１～０．６５９という高い値となった。このことから、乳量データを用いて、決定木により、分娩後の代謝性疾患の状態を評価できることが判明した。

（２）乳量データに加えて行動データ（反芻時間）も説明変数として用いた場合
　乳量データに加えて行動データ（反芻時間）も説明変数として用いた以外は（１）と同様の方法で、決定木を生成した。

　生成された決定木の精度検証の方法として、データを５分割する交差検証法を用いた。生成された５つの決定木を、図２３～図２７に示す。精度の指標としては、ＲＯＣ曲線の曲線下面積を用いた。得られたＲＯＣおよびＡＵＣスコアを、図２８に示す。

　図２８に示すように、ＲＯＣ＿ＡＵＣは、０．５０３～０．６５１という高い値となった。このことから、乳量データに加えて行動データ（反芻時間）を用いて、決定木により、分娩後の代謝性疾患の状態を評価できることが判明した。

（３）乳量データに加えて採食時間も説明変数として用いた場合
　乳量データに加えて採食時間も説明変数として用いた以外は（１）と同様の方法で、決定木を生成した。

　生成された決定木の精度検証の方法として、データを５分割する交差検証法を用いた。生成された５つの決定木を、図２９～図３３に示す。精度の指標としては、ＲＯＣ曲線の曲線下面積を用いた。得られたＲＯＣおよびＡＵＣスコアを、図３４に示す。

　図３４に示すように、ＲＯＣ＿ＡＵＣは、０．５３５～０．７０３という高い値となった。このことから、乳量データに加えて採食時間を用いて、決定木により、分娩後の代謝性疾患の状態を評価できることが判明した。

　実施例４においては、非血液データを用いて、ロジスティック回帰式により、分娩後の代謝性疾患の状態を評価できることを確認した。

　一般酪農場(計３件)で計４４６０頭のメスのホルスタイン種乳牛(経産牛)の牛群管理データを取得した。なお、牛群管理データには分娩前の説明変数として、日次の乳量、産次、分娩間隔日数および分娩後ケトーシス罹患記録が含まれていた。

　計４４６０頭のうちランダム抽出した３５６８頭を学習データとして、残りの８９２頭を検証データとして分娩後ケトーシス罹患の有無を基準に、健常群（３５２４頭）とケトーシス群（４４頭）の２群に分類した。そして、学習データを用いて、この２群間を判別するモデル（ロジスティック回帰式）を、産次と分娩間隔日数を説明変数として用いたロジスティック回帰により推定した。

　推定したモデルを、健常群（８７５頭）とケトーシス群（１７頭）からなる検証データに当てはめ、検証データでの判別性能をＲＯＣ曲線の曲線下面積にて評価を行った。この結果、ＲＯＣ＿ＡＵＣは、０．７１６という高い値となった。このことから、非血液データを用いて、ロジスティック回帰式により、分娩後の代謝性疾患の状態を評価できることが判明した。

　実施例５においては、非血液データを用いて、畳み込みニューラルネットワーク（ＣＮＮ）により、分娩後の代謝性疾患の状態を評価できることを確認した。

　実施例５においては、実施例４と同一の４４６０頭のメスのホルスタイン種乳牛の牛群管理データを用いた。健常群およびケトーシス群について、前産次の分娩後日数をＸ軸、日次の乳量をＹ軸にプロットし、Ｘ軸とＹ軸のレンジを設定した。このプロットを画像データ(ｐｎｇ形式)として保存し、その後、当該画像データを画像解析プログラムにより３次元のテンソルデータに変換した。

　前記４４６０頭を、ランダムに、学習データ用の３０３２頭、バリデーションデータ用の５３６頭および検証データ用の８９２頭に分けた。そして、学習データ用の３０３２頭およびバリデーションデータ用の５３６頭のそれぞれの個体に対応するプロットより得られた前記テンソルデータを用いて、畳み込みニューラルネットワーク（ＣＮＮ）により、健常群とケトーシス群を識別するための識別モデルを構築した。なお、識別モデルに用いられる変数は、乳量に限らず、日次で取得される任意の情報（体重等）でもよく、分娩後日数のレンジも任意のものでよい。

　そして、検証データ用の８９２頭のそれぞれの個体に対応するプロットより得られた前記テンソルデータを用いて、前記構築された識別モデルにより、各個体がケトーシスである予測スコアを得た。この結果、ＲＯＣ＿ＡＵＣは、０．８１０という高い値となった。このことから、非血液データを用いて、畳み込みニューラルネットワーク（ＣＮＮ）により、分娩後の代謝性疾患の状態を評価できることが判明した。

　実施例６においては、非血液データを用いて、畳み込みニューラルネットワーク（ＣＮＮ）およびロジスティック回帰式により、分娩後の代謝性疾患の状態を評価できることを確認した。

　実施例５において学習データおよびバリデーションデータとして用いた計３５６８頭についての各個体がケトーシスである予測スコアに加えて、実施例４において学習データとして用いた３５６８頭についての産次および分娩後日数も説明変数として用いて、健常群とケトーシス群を判別するためのモデル（ロジスティック回帰式）を、ロジスティック回帰により推定した。

　そして、実施例４および実施例５で検証データとして用いた８９２頭についての、メスのホルスタイン種乳牛の牛群管理データより実施例４で取得した産次および分娩間隔日数ならびに実施例５で取得した予測スコアを前記推定したモデルに当てはめ、検証データでの判別性能をＲＯＣ曲線の曲線下面積で評価した。この結果、ＲＯＣ＿ＡＵＣは、０．８１１という高い値となった。このことから、非血液データを用いて、畳み込みニューラルネットワーク（ＣＮＮ）およびロジスティック回帰式により、分娩後の代謝性疾患の状態を評価できることが判明した。

［検証１］
　畳み込みニューラルネットワーク（ＣＮＮ）を用いたケトーシス予測式及びＩｎｃｅｐｔｉｏｎ（ＣＮＮ）を用いたケトーシス予測式の作成を行った。

　一般の酪農場（計７件）で計４８１５頭のメスのホルスタイン種乳牛（経産牛）の牛群管理データを取得した。なお、牛群管理データには、分娩前の説明変数として日次の乳量、産次、分娩間隔日数、および分娩後ケトーシス罹患記録が含まれていた。健常群およびケトーシス群について、前産次の分娩後日数をＸ軸、日次の乳量をＹ軸にプロットし、Ｘ軸とＹ軸のレンジを全データに対して設定した。このプロットを画像ファイル（ｐｎｇ形式）として保存し、その後、画像データを画像解析プログラムにより３次元のテンソルデータに変換した。

　４８１５頭のうち学習データ用の１農場分３７２１頭のそれぞれの個体に対応するプロットより得られた前記テンソルデータを用いて、畳み込みニューラルネットワーク（ＣＮＮ）により、健常群とケトーシス群を識別するための識別モデルを構築した。なお、識別モデルに用いられる変数は、乳量に限らず、日次で取得される任意の情報（体重等）でもよく、分娩後日数のレンジも任意のものでよい。

　６農場分１０９４頭のそれぞれの個体に対応する「前産次の分娩後日数をＸ軸、日次の乳量をＹ軸に取ったプロット」に基づく３次元のテンソルデータ（当該１０９４頭のメスのホルスタイン種乳牛の牛群管理データより上記と同様のプロセスで得られたもの）を検証データとして用いて、前記構築された識別モデルにより、各個体がケトーシスである予測スコアを得た。この結果、新規データに対して、ＣＮＮのＲＯＣ＿ＡＵＣは０．５５７であり、ＩｎｃｅｐｔｉｏｎのＲＯＣ＿ＡＵＣは０．６２であった。

［検証２］
　ＣＮＮとロジスティック回帰を用いたケトーシス予測式及びＩｎｃｅｐｔｉｏｎ（ＣＮＮ）とロジスティック回帰を用いたケトーシス予測式の作成を行った。

　上記検証１で得られた、学習データ用の３７２１頭の個体のケトーシス予測スコアならびに牛群管理データに含まれる産次および分娩後日数を説明変数として用いて、ロジスティック回帰により、健常群とケトーシス群の２群を判別するモデルを推定した。

　１０９４頭のメスのホルスタイン種乳牛の牛群管理データに含まれる産次および分娩間隔日数ならびに上記検証１で得られたケトーシス予測スコアを検証データとして上記推定したロジスティック回帰モデルに当てはめて、当該モデルの判別性能をＲＯＣ＿ＡＵＣで評価した。この結果、新規データに対して、ＣＮＮのＲＯＣ＿ＡＵＣは０．６５４であり、ＩｎｃｅｐｔｉｏｎのＲＯＣ＿ＡＵＣは０．６８８であった。

［検証３］
　上記検証１、２により、ケトーシスを予測できる４種類の式を構築できた。なお、ＩｎｃｅｐｔｉｏｎはＣＮＮの１種である。各式の係数を図３５に示す。また、前産次における日乳量について、本実施例では、データの不規則な変動や欠損などを除去するべく、１０日間分の時系列の日乳量データを平均した１０日移動平均の日乳量を採用した。続いて、式を構築した牧場とは異なる牧場のデータを用いて、構築した式を用いてスコアを算出し、分娩後の代謝性疾患、炎症関連因子の予測精度を検証した。

　日本の牧場において、３７頭のメスのホルスタイン種乳牛（全て経産牛）の各頭から、前産次の情報と、分娩から７日後に採取された血液サンプルのハプトグロビンを測定した。また、当該３７頭の乳牛の各頭の、分娩後２１日までの疾患発症を記録した。「産次」、「前産次における日乳量（１０日移動平均）」および「分娩間隔の情報」を、上記検証１、２で作成した４種類のモデル（ＣＮＮモデル、Ｉｎｃｅｐｔｉｏｎモデル、ＣＮＮ＿ロジスティック回帰モデルおよびＩｎｃｅｐｔｉｏｎ＿ロジスティック回帰モデル）に当てはめてスコアを算出した。

　４種類のモデルから算出されたスコアで、分娩後のハプトグロビンの高低（基準８００μｇ／ｍＬ）を予測し、その予測精度をＲＯＣ＿ＡＵＣで評価した。また、７種類の疾患（乳房炎、子宮炎、乳熱、肺炎、第４胃変異、跛行および胎盤停滞）を対象として、作成した４種類のモデルで、分娩後の各疾患の発症有無を予測し、その予測精度をＲＯＣ＿ＡＵＣで評価した。ＲＯＣ＿ＡＵＣの結果を図３６に示す。ハプトグロビンの予測精度については、２つのモデルで、ＲＯＣ＿ＡＵＣが０．５５以上という結果が得られたことから、当該２つのモデルは、ハプログロビンの高低予測に有用であると考えられる。また、各々の疾患の予測精度については、少なくとも１つのモデルで、ＲＯＣ＿ＡＵＣが０．５５以上という結果が得られたことから、ＲＯＣ＿ＡＵＣが０．５５以上であったモデルは、分娩後の各疾患の発症予測に有用であると考えられる。

　日本の農場において、４４２頭のメスのホルスタイン種乳牛（全て経産牛）の各頭から、以下に列挙した前産次の情報を入手した。なお、肉牛を用いる場合は、「分娩直後からピーク期まで」、「ピークから離乳期まで」および「離乳以降の期」の３期の期毎に分類する。分娩後のケトーシス発症の有無を予測する予測式を、以下に列挙した前産次の情報を説明変数とし、ロジスティック回帰を用いて作成した。結果、ＲＯＣ＿ＡＵＣは０．５５７であり、すべての説明変数を用いて、分娩後のケトーシス発症の有無を予測することは可能であることを確認した（図３７、図３８参照）。
・産次
・フレッシュ期採食平均（フレッシュ期＿採食＿ｍｅａｎ）、泌乳前期採食平均（泌乳前期＿採食＿ｍｅａｎ）、泌乳ピーク期採食平均（泌乳ピーク＿採食＿ｍｅａｎ）、泌乳後期採食平均（泌乳後期＿採食＿ｍｅａｎ）
・フレッシュ期全反芻時間平均（フレッシュ期＿ａｌｌ＿ｒｕｍｉｎａｔｉｏｎ＿ｍｅａｎ）、泌乳前期全反芻時間平均（泌乳前期＿ａｌｌ＿ｒｕｍｉｎａｔｉｏｎ＿ｍｅａｎ）泌乳ピーク期全反芻時間平均（泌乳前期＿ａｌｌ＿ｒｕｍｉｎａｔｉｏｎ＿ｍｅａｎ）、泌乳後期全反芻時間平均（泌乳前期＿ａｌｌ＿ｒｕｍｉｎａｔｉｏｎ＿ｍｅａｎ）
・フレッシュ期乳量充足率平均（フレッシュ期＿乳量充足率＿ｍｅａｎ）、泌乳前期乳量充足率平均（泌乳前期＿乳量充足率＿ｍｅａｎ）、泌乳ピーク期乳量充足率平均（泌乳ピーク期＿乳量充足率＿ｍｅａｎ）、泌乳後期乳量充足率平均（泌乳後期＿乳量充足率＿ｍｅａｎ）
・フレッシュ期ＤＭＩ充足率平均（フレッシュ期＿ＤＭＩ充足率＿ｍｅａｎ）、泌乳前期ＤＭＩ充足率平均（泌乳前期＿ＤＭＩ充足率＿ｍｅａｎ）、泌乳ピーク期ＤＭＩ充足率平均（泌乳ピーク期＿ＤＭＩ充足率＿ｍｅａｎ）、泌乳後期ＤＭＩ充足率平均（泌乳後期＿ＤＭＩ充足率＿ｍｅａｎ）
・フレッシュ期ＭＥ充足率平均（フレッシュ期＿ＭＥ充足率＿ｍｅａｎ）、泌乳前期ＭＥ充足率平均（泌乳前期＿ＭＥ充足率＿ｍｅａｎ）、泌乳ピーク期ＭＥ充足率平均（泌乳ピーク期＿ＭＥ充足率＿ｍｅａｎ）、泌乳後期ＭＥ充足率平均（泌乳後期＿ＭＥ充足率＿ｍｅａｎ）
・フレッシュ期ＭＰ充足率平均（フレッシュ期＿ＭＰ充足率＿ｍｅａｎ）、泌乳前期ＭＰ充足率平均（泌乳前期＿ＭＰ充足率＿ｍｅａｎ）、泌乳ピーク期ＭＰ充足率平均（泌乳ピーク期＿ＭＰ充足率＿ｍｅａｎ）、泌乳後期ＭＰ充足率平均（泌乳後期＿ＭＰ充足率＿ｍｅａｎ）
・フレッシュ期搾乳量平均（フレッシュ期＿搾乳量＿ｍｅａｎ）、泌乳前期搾乳量平均（泌乳前期＿搾乳量＿ｍｅａｎ）、泌乳ピーク期搾乳量平均（泌乳ピーク期＿搾乳量＿ｍｅａｎ）、泌乳後期搾乳量平均（泌乳後期＿搾乳量＿ｍｅａｎ）
・フレッシュ期採食標準偏差（フレッシュ期＿採食＿ｓｔｄ）、泌乳前期採食標準偏差（泌乳前期＿採食＿ｓｔｄ）、泌乳ピーク期採食標準偏差（泌乳ピーク期＿採食＿ｓｔｄ）、泌乳後期採食標準偏差（泌乳後期＿採食＿ｓｔｄ）
・フレッシュ期全反芻時間標準偏差（フレッシュ期＿ａｌｌ＿ｒｕｍｉｎａｔｉｏｎ＿ｓｔｄ）、泌乳前期全反芻時間標準偏差（泌乳前期＿ａｌｌ＿ｒｕｍｉｎａｔｉｏｎ＿ｓｔｄ）、泌乳ピーク期全反芻時間標準偏差（泌乳ピーク期＿ａｌｌ＿ｒｕｍｉｎａｔｉｏｎ＿ｓｔｄ）、泌乳後期全反芻時間標準偏差（泌乳後期＿ａｌｌ＿ｒｕｍｉｎａｔｉｏｎ＿ｓｔｄ）
・フレッシュ期乳量充足率標準偏差（フレッシュ期＿乳量充足率＿ｓｔｄ）、泌乳前期乳量充足率標準偏差（泌乳前期＿乳量充足率＿ｓｔｄ）、泌乳ピーク期乳量充足率標準偏差（泌乳ピーク期＿乳量充足率＿ｓｔｄ）、泌乳後期乳量充足率標準偏差（泌乳後期＿乳量充足率＿ｓｔｄ）
・フレッシュ期ＤＭＩ充足率標準偏差（フレッシュ期＿ＤＭＩ充足率＿ｓｔｄ）、泌乳前期ＤＭＩ充足率標準偏差（泌乳前期＿ＤＭＩ充足率＿ｓｔｄ）、泌乳ピーク期ＤＭＩ充足率標準偏差（泌乳ピーク期＿ＤＭＩ充足率＿ｓｔｄ）、泌乳後期ＤＭＩ充足率標準偏差（泌乳後期＿ＤＭＩ充足率＿ｓｔｄ）
・フレッシュ期ＭＥ充足率標準偏差（フレッシュ期＿ＭＥ充足率＿ｓｔｄ）、泌乳前期ＭＥ充足率標準偏差（泌乳前期＿ＭＥ充足率＿ｓｔｄ）、泌乳ピーク期ＭＥ充足率標準偏差（泌乳ピーク期＿ＭＥ充足率＿ｓｔｄ）、泌乳後期ＭＥ充足率標準偏差（泌乳後期＿ＭＥ充足率＿ｓｔｄ）
・フレッシュ期ＭＰ充足率標準偏差（フレッシュ期＿ＭＰ充足率＿ｓｔｄ）、泌乳前期ＭＰ充足率標準偏差（泌乳前期＿ＭＰ充足率＿ｓｔｄ）、泌乳ピーク期ＭＰ充足率標準偏差（泌乳ピーク期＿ＭＰ充足率＿ｓｔｄ）、泌乳後期ＭＰ充足率標準偏差（泌乳後期＿ＭＰ充足率＿ｓｔｄ）
・フレッシュ期搾乳量標準偏差（フレッシュ期＿搾乳量＿ｓｔｄ）、泌乳前期搾乳量標準偏差（泌乳前期＿搾乳量＿ｓｔｄ）、泌乳ピーク期搾乳量標準偏差（泌乳ピーク期＿搾乳量＿ｓｔｄ）、泌乳後期搾乳量標準偏差（泌乳後期＿搾乳量＿ｓｔｄ）

　次に、同じデータセットを使用して、ロジスティック回帰とは異なるモデルで、分娩後のケトーシス発症の有無を予測することが可能であるかを検証した。分娩後のケトーシス発症の有無を予測するモデルを、上記に列挙した前産次の情報すべてを説明変数とし、ＬｉｇｈｔＧＢＭを用いて作成した。結果、ＲＯＣ＿ＡＵＣは０．６０１であり、ＬｉｇｈｔＧＢＭを用いたモデルは、ロジスティック回帰よりも高い精度を持つことが分かった（図３９、図４０参照）。

　上記に列挙した前産次の情報以外に以下に列挙した項目のセンサーデータを説明変数として追加して、ロジスティック回帰とＬｉｇｈｔＧＢＭの精度を確認した。結果、ロジスティック回帰のＲＯＣ＿ＡＵＣは、０．５５８であり、ＬｉｇｈｔＧＢＭのＲＯＣ＿ＡＵＣは、０．５７２であった（図４１、図４２参照）。
・採食
・動態
・横臥
・起立
・全反芻時間（ａｌｌ＿ｒｕｍｉｎａｔｉｏｎ）
・起立反芻
・横臥反芻
・搾乳量

　実施例８と同じデータセットのうち、乳量に関係する１６項目のデータを除いたものを用いて、４０種の説明変数の中から変数を選択して予測式を作成した。

　まず、実施例８で用いられた４４２例のデータを、ケトーシス発生個体の割合が均等になるように、学習データと検証データに分割した。学習データと検証データのサンプルサイズの比は３：１として（つまり学習データは３３１例、検証データは１１１例として）、以下のケトーシス予測モデルの構築を行った。

　はじめに、学習データを用いて、Ｌ１正則化を行ったロジスティック回帰（Ｌａｓｓｏ回帰）を行い、説明変数の絞り込みを行った。Ｌ１正則化を行ったロジスティック回帰の実行においては、学習データをランダムに４分割したクロスバリデーションにより、正則化項の係数が予測の平均二乗誤差を最小化する最適条件を推定した。この条件で、図４３に示した１１種類の説明変数が選択された。

　得られた１１種の説明変数の候補を用いたロジスティック回帰をフルモデルとして、ステップワイズ変数選択により、ＡＩＣが最小となるロジスティック回帰モデルを推定した。その結果、９種の説明変数が選ばれた。選ばれた説明変数は図４４に示す。

　この９種の説明変数からなるロジスティック回帰モデルを学習データにより推定し、推定されたモデルを検証データに代入することにより、ケトーシス発症有無についてのＲＯＣ＿ＡＵＣを算出した。その結果、学習データのＲＯＣ＿ＡＵＣは０．７４であり、検証データのＲＯＣ＿ＡＵＣは０．５６となった。本結果から、乳量の情報がない場合においても、分娩後のケトーシス発症の有無を予測することは可能であると考えられる。

　はじめに、学習データを用いて、「Ｌ１正則化を行ったロジスティック回帰（Ｌａｓｓｏ回帰）」を行うことにより、説明変数の絞り込みを行った。Ｌ１正則化を行ったロジスティック回帰の実行においては、「学習データをランダムに４分割したクロスバリデーションにより、正則化項の係数が予測の平均二乗誤差を最小化する最適条件を推定して説明変数の絞り込みを行う操作」（クロスバリデーションのリサンプリング）を１００回行うことで、１００パターンの説明変数の抽出を実施した。得られた１００回のリサンプリング結果から、「少なくとも１回は選択された説明変数」を抽出した。結果、図４５に示す１３種の説明変数が抽出された。

　引き続き、得られた１３種の説明変数を用いて、説明変数の個数が２～６個のロジスティック回帰モデルをそれぞれ総当たり法により抽出し、ＡＩＣの最も小さいものを最良モデルとして上位モデルを選択した。説明変数の個数が２個のモデルにおいては上位２０モデルを、説明変数の個数が３～６個のモデルにおいては上位１００モデルをそれぞれ選択した。その結果、２変数モデルでは図４６に示された変数の組み合わせのモデルが、３変数モデルでは図４７Ａ、図４７Ｂおよび図４７Ｃに示された変数の組み合わせのモデルが、４変数モデルでは図４８Ａ、図４８Ｂ、図４８Ｃおよび図４８Ｄに示された変数の組み合わせのモデルが、５変数モデルでは図４９Ａ、図４９Ｂ、図４９Ｃおよび図４９Ｄに示された変数の組み合わせのモデルが、６変数モデルでは図５０Ａ、図５０Ｂ、図５０Ｃおよび図５０Ｄに示された変数の組み合わせのモデルがそれぞれ選択された。

　図４６から図５０Ｄに示された説明変数の各組み合わせからなる各ロジスティック回帰モデルを学習データにより推定し、推定された各モデルを検証データに代入することにより、ケトーシス発症有無についてのＲＯＣ＿ＡＵＣを算出した。変数が２～６個のモデルのいずれにおいても、検証データのＲＯＣ＿ＡＵＣが０．５５以上となるモデルが複数得られた。本結果から、乳量の情報がない場合においても、分娩後のケトーシス発症の有無を予測することは可能であると考えられる。

　以上のように、本発明は、産業上の多くの分野、特に、酪農、牛用医薬品若しくは牛用飼料の開発、又は牛を対象とする獣医療などの分野で広く実施することができ、極めて有用である。

　１００　評価装置
　１０２　制御部
　　１０２ａ　取得部
　　１０２ｂ　指定部
　　１０２ｃ　式作成部
　　１０２ｄ　評価部
　　１０２ｄ１　算出部
　　１０２ｄ２　変換部
　　１０２ｄ３　生成部
　　１０２ｄ４　分類部
　　１０２ｅ　結果出力部
　　１０２ｆ　送信部
　１０４　通信インターフェース部
　１０６　記憶部
　　１０６ａ　非血液データファイル
　　１０６ｂ　ＢＨＢＡ状態情報ファイル
　　１０６ｃ　指定ＢＨＢＡ状態情報ファイル
　　１０６ｄ　式関連情報データベース
　　１０６ｄ１　式ファイル
　　１０６ｅ　評価結果ファイル
　１０８　入出力インターフェース部
　１１２　入力装置
　１１４　出力装置
　２００　クライアント装置（端末装置（情報通信端末装置））
　３００　ネットワーク
　４００　データベース装置

Claims

　今回の分娩前の牛の、非侵襲的な方法により取得可能な畜牛管理情報に関する値である第一の値、前記第一の値が代入される変数を含む式および前記第一の値を用いて算出された前記式の値、または、前記第一の値に基づいて生成されたグラフを用いて、今回の分娩後の前記牛の代謝性疾患の状態を評価する第一の評価を行う評価ステップを含むこと、
　を特徴とする評価方法。
　前記第一の値が、採食時間、反芻時間、代謝タンパク質充足率（ＭＰ充足率）、代謝エネルギー充足率（ＭＥ充足率）、乾物摂取量充足率（ＤＭＩ充足率）、搾乳量、乳量充足率および前回の分娩後の日数のうちの少なくとも一つの値であること、
　を特徴とする請求項１に記載の評価方法。
　前記牛が、乳牛または肉牛であること、
　を特徴とする請求項１に記載の評価方法。
　前記第一の値が、所定の乳期における値であること、
　を特徴とする請求項１に記載の評価方法。
　前記第一の値が、今回の分娩前の牛の産次数および総搾乳日数の少なくとも一方であること、
　を特徴とする請求項１に記載の評価方法。
　前記第一の値が、更に、今回の分娩前の牛の産次数および総搾乳日数の少なくとも一方の属性を持つこと、
　を特徴とする請求項１に記載の評価方法。
　前記第一の値が、平均値および標準偏差の少なくとも一方であること、
　を特徴とする請求項１に記載の評価方法。
　前記第一の評価においては、前記牛が今回の分娩後に前記代謝性疾患に罹患している状態であるか、および、前記牛が今回の分娩後に前記代謝性疾患に罹患してはいないものの検査が必要な状態であるか、の少なくとも一方を評価すること、
　を特徴とする請求項１に記載の評価方法。
　前記代謝性疾患の状態が、今回の分娩後の所定時点における代謝性疾患の状態であること、
　を特徴とする請求項１に記載の評価方法。
　前記代謝性疾患が、潜在性ケトーシス、顕在性ケトーシス、子宮炎、胎盤停滞、第四胃変位、乳熱、アシドーシス、蹄病または乳房炎であること、
　を特徴とする請求項１に記載の評価方法。
　前記評価ステップにおいては、前記前回の分娩後の日数を一方の軸の値とし、前記搾乳量を他方の軸の値とすることで生成された前記グラフの画像を用いて、前記第一の評価を行うこと、
　を特徴とする請求項２に記載の評価方法。
　前記評価ステップにおいては、今回の分娩前の前記牛の血液中のアミノ酸の濃度値である第二の値、または、前記第二の値が代入される変数を含む式および前記第二の値を用いて算出された前記式の値を用いて、今回の分娩後の前記牛の代謝性疾患の状態を評価する第二の評価を更に行うこと、
　を特徴とする請求項１に記載の評価方法。
　前記評価ステップにおいては、前記第二の評価に続いて、非侵襲的な方法により取得可能な畜牛管理情報に関する値である第三の値、または、前記第三の値が代入される変数を含む式および前記第三の値を用いて算出された前記式の値、または、前記第三の値に基づいて生成されたグラフを用いて、今回の分娩後の前記牛の代謝性疾患の状態を評価する第三の評価を更に行うこと、
　を特徴とする請求項１２に記載の評価方法。
　前記評価ステップにおいて分娩後に前記代謝性疾患に罹患する可能性が高いと評価された牛に対して、予防的処置を提案する提案ステップを更に含むこと、
　を特徴とする請求項１に記載の評価方法。
　前記予防的処置が、ＲｕｍｅｎＰｒｏｔｅｃｔアミノ酸の投与、飼料添加物の投与、薬剤の投与および獣医の診断からなる群から選択される少なくとも一つであること、
　を特徴とする請求項１４に記載の評価方法。
　前記飼料添加物が、ＰＨ調整剤、イオンバランス調整剤、カビ毒吸着剤、プロピオン酸カルシウム等のプロピオン酸類縁体、ビタミン、ミネラル、アミノ酸、脂肪酸、尿素、生菌剤、酵母、酵素、抗生物質、抗酸化剤、抗菌剤および有機酸からなる群から選択される少なくとも一つであること、
　を特徴とする請求項１５に記載の評価方法。
　前記提案ステップにおいては、前記代謝性疾患に罹患する可能性があると評価された牛に対して、統計的因果推論を行って罹患する原因を推測し、その原因に対応する予防的処置を提案すること、
　を特徴とする請求項１４から１６のいずれか一つに記載の評価方法。
　前記評価ステップおよび前記提案ステップが、制御部を備える情報処理装置の前記制御部において実行されること、
　を特徴とする請求項１４に記載の評価方法。
　今回の分娩前の牛の、非侵襲的な方法により取得可能な畜牛管理情報に関する値である第一の値、および、前記第一の値が代入される変数を含む、今回の分娩後の前記牛の代謝性疾患の状態を評価するための式を用いて、前記式の値を算出する算出ステップを含むこと、
　を特徴とする算出方法。
　前記算出ステップは、制御部を備える情報処理装置の前記制御部において実行されること、
　を特徴とする請求項１９に記載の算出方法。
　制御部を備える評価装置であって、
　前記制御部は
　今回の分娩前の牛の、非侵襲的な方法により取得可能な畜牛管理情報に関する値である第一の値、前記第一の値が代入される変数を含む式および前記第一の値を用いて算出された前記式の値、または、前記第一の値に基づいて生成されたグラフを用いて、今回の分娩後の前記牛の代謝性疾患の状態を評価する第一の評価を行う評価手段を備えること、
　を特徴とする評価装置。
　前記第一の値、前記式の前記値または前記グラフを提供する端末装置とネットワークを介して通信可能に接続されており、
　前記制御部は、
　前記端末装置から送信された前記第一の値、前記式の前記値または前記グラフを受信するデータ受信手段と、
　前記評価手段で得られた評価結果を前記端末装置へ送信する結果送信手段と、
　を更に備え、
　前記評価手段は、前記データ受信手段で受信した前記第一の値、前記式の前記値または前記グラフを用いること、
　を特徴とする請求項２１に記載の評価装置。
　制御部を備える算出装置であって、
　前記制御部は、
　今回の分娩前の牛の、非侵襲的な方法により取得可能な畜牛管理情報に関する値である第一の値、および、前記第一の値が代入される変数を含む、今回の分娩後の前記牛の代謝性疾患の状態を評価するための式を用いて、前記式の値を算出する算出手段を備えること、
　を特徴とする算出装置。
　制御部を備える情報処理装置において実行させるための評価プログラムであって、
　前記制御部において実行させるための、
　今回の分娩前の牛の、非侵襲的な方法により取得可能な畜牛管理情報に関する値である第一の値、前記第一の値が代入される変数を含む式および前記第一の値を用いて算出された前記式の値、または、前記第一の値に基づいて生成されたグラフを用いて、今回の分娩後の前記牛の代謝性疾患の状態を評価する第一の評価を行う評価ステップを含むこと、
　を特徴とする評価プログラム。
　制御部を備える情報処理装置において実行させるための算出プログラムであって、
　前記制御部において実行させるための、
　今回の分娩前の牛の、非侵襲的な方法により取得可能な畜牛管理情報に関する値である第一の値、および、前記第一の値が代入される変数を含む、今回の分娩後の前記牛の代謝性疾患の状態を評価するための式を用いて、前記式の値を算出する算出ステップを含むこと、
　を特徴とする算出プログラム。
　請求項２４または２５に記載のプログラムを記録したコンピュータ読み取り可能な記録媒体。
　制御部を備える評価装置と制御部を備える端末装置とをネットワークを介して通信可能に接続して構成される評価システムであって、
　前記端末装置の前記制御部は、
　今回の分娩前の牛の、非侵襲的な方法により取得可能な畜牛管理情報に関する値である第一の値、前記第一の値が代入される変数を含む式および前記第一の値を用いて算出された前記式の値、または、前記第一の値に基づいて生成されたグラフを前記評価装置へ送信するデータ送信手段と、
　前記評価装置から送信された、今回の分娩後の前記牛の代謝性疾患の状態に関する評価結果を受信する結果受信手段と、
　を備え、
　前記評価装置の前記制御部は、
　前記端末装置から送信された前記第一の値、前記式の前記値または前記グラフを受信するデータ受信手段と、
　前記データ受信手段で受信した前記第一の値、前記式の前記値または前記グラフを用いて、今回の分娩後の前記牛の代謝性疾患の状態を評価する評価手段と、
　前記評価手段で得られた前記評価結果を前記端末装置へ送信する結果送信手段と、
　を備えること、
　を特徴とする評価システム。
　制御部を備えた端末装置であって、
　前記制御部は、
　今回の分娩後の牛の代謝性疾患の状態に関する評価結果を取得する結果取得手段
　を備え、
　前記評価結果は、今回の分娩前の牛の、非侵襲的な方法により取得可能な畜牛管理情報に関する値である第一の値、前記第一の値が代入される変数を含む式および前記第一の値を用いて算出された前記式の値、または、前記第一の値に基づいて生成されたグラフを用いて、今回の分娩後の前記牛の代謝性疾患の状態を評価した結果であること、
　を特徴とする端末装置。
　前記評価を行う評価装置とネットワークを介して通信可能に接続されており、
　前記結果取得手段は、前記評価装置から送信された前記結果を受信すること、
　を特徴とする請求項２８に記載の端末装置。
　今回の分娩前の牛の、非侵襲的な方法により取得可能な畜牛管理情報に関する値である第一の値を取得し、
　今回の分娩後の前記牛の代謝性疾患の状態を取得し、
　前記取得した第一の値および前記取得した今回の分娩後の前記牛の代謝性疾患の状態を教師データとして用いて、所定の解析手法により、今回の分娩後の前記牛の代謝性疾患の状態を今回の分娩前に評価するための式を生成する式生成ステップを含むこと、
　を特徴とする式生成方法。
　前記第一の値が、採食時間、反芻時間、代謝タンパク質充足率（ＭＰ充足率）、代謝エネルギー充足率（ＭＥ充足率）、乾物摂取量充足率（ＤＭＩ充足率）、搾乳量、乳量充足率および前回の分娩後の日数のうちの少なくとも一つの値であること、
　を特徴とする請求項３０に記載の式生成方法。
　前記牛が、乳牛または肉牛であること、
　を特徴とする請求項３０に記載の式生成方法。
　前記第一の値が、所定の乳期における値であること、
　を特徴とする請求項３０に記載の式生成方法。
　前記第一の値が、今回の分娩前の牛の産次数および総搾乳日数の少なくとも一方であること、
　を特徴とする請求項３０に記載の式生成方法。
　前記第一の値が、更に、今回の分娩前の牛の産次数および総搾乳日数の少なくとも一方の属性を持つこと、
　を特徴とする請求項３０に記載の式生成方法。
　前記第一の値が、平均値および標準偏差の少なくとも一方であること、
　を特徴とする請求項３０に記載の式生成方法。
　今回の分娩後の前記牛の代謝性疾患の状態とは、前記牛が今回の分娩後に前記代謝性疾患に罹患している状態であるか、または、前記牛が今回の分娩後に前記代謝性疾患に罹患してはいないものの検査が必要な状態であるか、であること、
　を特徴とする請求項３０に記載の式生成方法。
　前記代謝性疾患の状態が、今回の分娩後の所定時点における代謝性疾患の状態であること、
　を特徴とする請求項３０に記載の式生成方法。
　前記代謝性疾患が、潜在性ケトーシス、顕在性ケトーシス、子宮炎、胎盤停滞、第四胃変位、乳熱、アシドーシス、蹄病または乳房炎であること、
　を特徴とする請求項３０に記載の式生成方法。
　前記所定の解析手法が、決定木、ランダムフォレスト、ニューラルネットワークおよびロジスティック回帰からなる群から選択される少なくとも一つの解析手法であること、
　を特徴とする請求項３０から３９のいずれか一つに記載の式生成方法。