JP7443613B1

JP7443613B1 - 情報処理装置、情報処理方法及びプログラム

Info

Publication number: JP7443613B1
Application number: JP2023161666A
Authority: JP
Inventors: 知輝齋藤; 和則尾谷
Original assignee: 株式会社Jmdc
Priority date: 2023-09-25
Filing date: 2023-09-25
Publication date: 2024-03-05
Anticipated expiration: 2043-09-25

Abstract

【課題】推算糸球体濾過量（ｅＧＦＲ）の将来の変化の傾向を容易に予測することが可能な技術な技術を提供する。【解決手段】本開示に係る情報処理装置は、特定の人の時系列の医療保険情報を取得する取得手段と、学習済みの機械学習モデルにより、時系列の医療保険情報に基づいて、特定の人の将来の推算糸球体濾過量（ｅＧＦＲ）の変化の傾向を予測する予測手段と、を有し、機械学習モデルは、時系列の医療保険情報に含まれる、時系列のｅＧＦＲと、時系列の、ｅＧＦＲ以外の測定値とを用いて、特定の人の将来のｅＧＦＲの変化の傾向を予測する。【選択図】図２

Description

特許法第３０条第２項適用 ▲１▼開催日：令和４年９月２８日 ▲２▼セミナー名、開催場所：セミナー名：「保険業界のためのＤＸ成功の秘訣第５回ＪＭＤＣＩｎｓｕｒａｎｃｅＷｅｂｉｎａｒ」当セミナーはＷＥＢ開催であり、株式会社ＪＭＤＣによって主催されたセミナーである ▲３▼公開者：浜田貴之、金澤大樹、及び齋藤知輝

本発明は、情報処理装置、情報処理方法及びプログラムに関する。

糖尿病性腎症が重症化すれば人工透析が必要となり、医療費や生活上の大きな負担となる。このため、糖尿病性腎症の重症化を予防するためプログラムが提供されている（非特許文献１）。このようなプログラムでは、糖尿病性腎症対象者を判断する基準として、糖尿病であることと腎機能が低下していることを指標としている。また、腎機能が低下していることの１つの指標として推算糸球体濾過量（ｅＧＦＲ）の測定値を用いる指標を示しており、ｅＧＦＲの測定値が比較的高い人については、例えば、ｅＧＦＲ６０ｍＬ／分／１．７３ｍ２未満である場合に年間５ｍＬ／分／１．７３ｍ２以上の低下を参考にすることなどが示されている。

一方、ｅＧＦＲの測定値は、血液中の水分量などの影響により大きな測定誤差を含むことが知られている。１年間に高頻度（例えば７回など）にｅＧＦＲを測定しても正しい低下傾向を得ることができない場合が多いため、５年以上に渡って高頻度に測定して分析（例えば回帰分析）することで、ようやく一定レベルのｅＧＦＲの低下傾向を特定することができる。

「糖尿病性腎症重症化予防プログラム」、[online]、[令和５年８月９日検索]、＜https://www.mhlw.go.jp/content/12401000/program.pdf＞

ｅＧＦＲの測定値は年齢の増加とともに低下するが、その低下速度（年単位の変化量）は個人ごとに差がある。それほど腎機能が悪化していないｅＧＦＲ６０ｍＬ／分／１．７３ｍ２付近の人には、ｅＧＦＲが急速に低下する人よりも穏やかに低下する人の方が圧倒的に多数である。このため、大多数の人にとって、自身のｅＧＦＲの低下速度が基準を上回る速度であるか（例えば年間５ｍＬ／分／１．７３ｍ２以上であるか）を判定するために、数年以上に渡って高頻度にｅＧＦＲを測定するのは時間的或いは費用的な観点等から障壁が高い。

本発明は、上記課題に鑑みてなされ、その目的は、推算糸球体濾過量（ｅＧＦＲ）の将来の変化の傾向を容易に予測することが可能な技術を実現することである。

この課題を解決するため、例えば本発明の情報処理装置は、特定の人の時系列の医療保険情報を取得する取得手段と、学習済みの機械学習モデルにより、前記時系列の医療保険情報に基づいて、前記特定の人の将来の推算糸球体濾過量（ｅＧＦＲ）の変化の傾向を予測する予測手段と、を有し、前記機械学習モデルは、前記時系列の医療保険情報に含まれる、時系列のｅＧＦＲと、時系列の、ｅＧＦＲ以外の健診での測定値とを用いて、前記特定の人の前記将来のｅＧＦＲの変化の傾向を予測する、ことを特徴とする。

本発明によれば、ｅＧＦＲの将来の変化の傾向を容易に予測することが可能になる。

本発明の実施形態に係る予測システムの一例を示す図本実施形態に係る予測システムの動作概要を説明する図本実施形態に係る情報処理装置の機能構成例を示すブロック図本実施形態に係る介入機関の通信装置の機能構成例を示すブロック図ユーザの医療保険情報を格納するデータベースから取得可能な特定健診情報の例を示す図ｅＧＦＲの増減と相関を有する各種データの例を説明する図本実施形態に係るｅＧＦＲ予測処理の動作を示すフローチャート

以下、添付図面を参照して実施形態を詳しく説明する。なお、以下の実施形態は特許請求の範囲に係る発明を限定するものではなく、また実施形態で説明されている特徴の組み合わせの全てが発明に必須のものとは限らない。実施形態で説明されている複数の特徴のうち二つ以上の特徴が任意に組み合わされてもよい。また、同一若しくは同様の構成には同一の参照番号を付し、重複した説明は省略する。

（予測システムの構成）
まず、図１を参照して、本発明の実施形態に係る予測システム１０の構成について説明する。予測システム１０は、例えば、情報処理装置１００と、介入機関の介入者２０が使用する通信装置１１０と、医療保険情報データベース１３０とを含む。情報処理装置１００は、例えば、推算糸球体濾過量（ｅＧＦＲ）に関する予測を提供するサービス企業によって管理されるサーバである。介入者２０は、例えば、特定の個人の健康状態に応じて、健康状態を改善するための指導を行う（介入する）自治体等の介入機関の職員である。例えば、介入者は、ｅＧＦＲの将来の変化の傾向が一定の条件を満たす個人に対して、健康状態を改善するための指導を行う。介入者２０はこの例に限らず、ｅＧＦＲの将来の変化の傾向に応じて、助言や判断を行う例えば医療機関の医師などを含んでもよい。

情報処理装置１００は、医療保険情報データベース１３０にアクセスして、各人の健診結果などを含む医療保険情報を取得する。医療保険情報データベース１３０は、一例として、公的な仕組みによって収集及び管理される個人の医療保険情報を格納するデータベースであって、予め定められたＡＰＩを介してアクセスすることができる、マイナポータルのデータベースであってもよい。医療保険情報データベース１３０には、個人の日々の健診や診療に関する情報が医療機関等から収集され、蓄積される。なお、本実施形態では、医療保険情報データベース１３０が、医療保険情報を収集及び管理するマイナポータルのデータベースである場合を一例として説明する。しかし、医療保険情報データベース１３０は、情報処理装置１００を管理するサービス企業が、健康保険組合や医療機関等から医療保険情報を収集して構築したデータベースであってもよい。或いは、医療保険情報データベース１３０は、上記サービス企業とは別の企業が健康保険組合や医療機関等から医療保険情報を収集して構築したデータベースであってもよい。すなわち、本実施形態に係る医療保険情報は、健康保険組合、協会けんぽ、共済組合、国民健康保険、後期高齢者医療制度から取得される医療に関する情報を含んでよい。また、医療保険情報には、例えばレセプトデータ、電子カルテデータに含まれる受療行為、処置、処方、検査、検査値他ＰＨＲ等から取得可能なバイタルデータや薬剤、既往歴、障害の情報等を含んでもよい。

情報処理装置１００は、通信装置１１０及び医療保険情報データベース１３０と、ネットワーク１２０を介して通信可能である。本実施形態では、情報処理装置１００がクラウド上のサーバである場合を例に説明するが、情報処理装置１００はこれに限らず、仮想マシンや、エッジサーバ、小規模なネットワーク上に置かれたコンピュータなどによって実現されてもよい。また、本実施形態では、通信装置１１０が例えばパーソナルコンピュータである場合を例に説明する。しかし、通信装置１１０は、これに限らず、例えばブラウザや専用アプリケーションを用いて、ｅＧＦＲの予測に関するサービスを利用可能な他の端末、例えばスマートフォンやタブレット型端末などであってよい。

（本発明の概要）
次に、図２を参照して、本発明の概要について説明する。上述のように、ｅＧＦＲの値の比較的高い人（ｅＧＦＲ６０ｍＬ／分／１．７３ｍ２未満）に対して、ｅＧＦＲの低下速度を判定するために、数年以上に渡って高頻度にｅＧＦＲを測定するのは現実的ではない。しかし、各人の将来のｅＧＦＲの変化の傾向を容易且つ精度良く予測することができれば、現在はｅＧＦＲの値が比較的高いものの急速に低下している個人を早期に発見、抽出し、早期に介入することができる。早期の介入を実現することができれば、早期に腎機能の低下速度を和らげ、例えば糖尿病性腎症の重症化時期を遅らせることができる。当該重症化時期を遅らせることで、個人や行政における生活や医療費の負担を抑制することに繋がる。予測システムは、任意のｅＧＦＲの値においてｅＧＦＲの将来の変化の傾向を容易且つ精度良く予測することができる。とりわけ、ｅＧＦＲの値の比較的高い人（例えばｅＧＦＲ４５ｍＬ／分／１．７３ｍ２以上６０ｍＬ／分／１．７３ｍ２未満）に対して、将来のｅＧＦＲの変化の傾向を容易且つ精度良く提供できる点で有利である。

機械学習モデル２０２に対する入力２０１は、複数回の健診（数年分の健診）で測定された測定値などを含んだ時系列のデータを含む。健診で測定された測定値は、例えば、直近の連続した３年分の健診における各健診での測定値を含む。本実施形態では、健診で得られる測定値を用いることで、入力データの取得が容易であり、ｅＧＦＲの将来の変化の傾向の予測を容易にする。また、せいぜい３年分の測定値を用いることで予測結果を得ることができるため、サンプル数を少なくできる点でも、ｅＧＦＲの将来の変化の傾向の予測を容易にする。連続した３年分の健診は、例えば連続した第１回、第２回及び第３回の健診では、第１回と第３回の間は２年程度経過している。本実施形態は、連続した３年分の健診における測定値を用いてもよいし、より長い年数分の健診における測定値（例えば５年間のうちのいずれか３年分の健診、或いは５年間のうちの５年分の健診における測定値など）を用いてもよい。なお、本実施形態に係る時系列データは、経時的なデータであればよく、離散した連続していないデータを含み得る。

本実施形態では、健診で得られた過去のｅＧＦＲの測定値の時系列データと、同じ健診で得られたｅＧＦＲ以外の測定値の時系列データとを、学習済みの機械学習モデルに入力することにより、ｅＧＦＲの将来の変化の傾向を得る。すなわち、ｅＧＦＲの測定値の挙動に加えて、ｅＧＦＲ以外の測定値の挙動を考慮することにより、ｅＧＦＲの将来の変化の傾向を予測する。また、第１の時点より過去の健診で得られたｅＧＦＲの測定値の時系列データと、同じ健診で得られたｅＧＦＲ以外の測定値の時系列データとを入力とし、第１の時点より過去及び未来のｅＧＦＲの測定値の時系列データから算出した、ｅＧＦＲの年単位の変化量を正解データとして、ｅＧＦＲの将来の変化の傾向を予測するように機械学習モデルを学習させる。正解データの形式は様々な形式であってよく、正解データは、例えば、第１の時点より未来のｅＧＦＲの測定値の時系列データであってもよい。

ｅＧＦＲ以外の健診での測定値は、腎機能関連値及びリスク因子の少なくともいずれかを含む。図２には、腎機能関連値とリスク因子とが記載されているが、いずれか片方でも構わない。腎機能関連値は、腎機能の低下に関連する測定値である、例えば、ヘマトクリット値（貧血指標）を含む。リスク因子は、腎機能の低下に関連するリスク因子であり、例えば、ＨｂＡ１ｃの値、高血圧（最高血圧）、脂質異常症（ＨＤＬコレステロール）、ＢＭＩの増加などを含む。なお、腎機能関連値とリスク因子とは、ｅＧＦＲ以外の健診での測定値の一例であり、これらとは異なる測定値を用いてもよい。

上記以外にも、ｅＧＦＲ以外の健診での測定値は、例えば、ＢＭＩ、腹囲、最低血圧、中性脂肪、ＬＤＬコレステロール、ＧＯＴ、ＧＰＴ、γ－ＧＴＰ、尿糖、尿蛋白、ヘモグロビン、赤血球数などの少なくともいずれかを含んでよい。

また、機械学習モデル２０２に対する入力は、健診での測定値に加えて、更なるデータを含むことができる。例えば、入力２０１は、健診における問診表に対する問診結果を含んでもよい。問診結果は、血糖を下げる薬又はインスリン注射の有無、腎臓疾患の有無、喫煙の有無、運動習慣、歩行習慣、歩行速度、早食、就寝前食事、間食、食習慣、飲酒頻度、飲酒量、睡眠時間などの少なくともいずれかを含んでよい。

また、入力２０１は、過去のｅＧＦＲに対する統計処理で得られる年単位のｅＧＦＲの変化量（例えば、過去３年分のｅＧＦＲに対する回帰直線の傾き）を含んでもよい。更に、入力２０１は、ｅＧＦＲ以外の健診での測定値における、過去の所定期間における変動（例えば、過去３年間におけるヘマトクリット値やＨｂＡ１ｃの値の変動量）を更に用いることができる。このように、ｅＧＦＲの変化量や、測定値の過去の所定期間における変動を機械学習モデルに入力することで、時系列データだけでなく、変化率や変動を明示的に機械学習モデルに与えることができる。入力２０１は、性別、年齢、投薬情報などの他のデータを含んでよい。そのほか、入力２０１は、上述の医療保険情報の任意のデータを用いることができる。

機械学習モデル２０２による出力２０３は、将来のｅＧＦＲの変化の傾向である。本実施形態では、将来のｅＧＦＲの変化の傾向が、将来のｅＧＦＲの時系列の予測値である場合を例に説明する。すなわち、機械学習モデルが時系列のデータを入力して、時系列の予測値を出力するモデルである場合を例に説明する。しかし、出力２０３は、将来のｅＧＦＲの変化の傾向を表すものであれば、機械学習モデルは他の形式のデータを出力してもよい。例えば、将来のｅＧＦＲの変化の傾向は、将来の所定期間におけるｅＧＦＲの変化の大きさ（例えば将来の３年間における変化の大きさ）であってもよい。或いは、将来のｅＧＦＲの変化の傾向は、将来のｅＧＦＲの年単位の変化量（すなわち、ｅＧＦＲの傾き）であってもよい。なお、将来のｅＧＦＲの変化の傾向は、予測される将来のｅＧＦＲの予測値を用いるものであれば、例えば、予測された将来のｅＧＦＲの予測値と過去のｅＧＦＲとを用いて得られるデータであってもよい。このようなデータは、例えば、予測された将来のｅＧＦＲの予測値と過去のｅＧＦＲとから算出した年単位の変化量であってよい。

機械学習モデル２０２は、例えば、ＬｉｇｈｔＧＢＭやＸＧＢｏｏｓｔなどの勾配ブースティング決定木のモデルを用いることができるが、ディープニューラルネットワークなどの他の機械学習モデルを用いてもよい。

（情報処理装置の構成）
次に、情報処理装置１００の機能構成例について、図３を参照して説明する。なお、説明する機能ブロックの各々は、統合されまたは分離されてもよく、また説明する機能が別のブロックで実現されてもよい。また、ハードウェアとして説明するものがソフトウェアで実現されてもよく、その逆であってもよい。

通信部３０１は、ネットワークを介して様々な装置と通信する通信回路を含む。通信部３０１は、制御部３０４が処理する情報を通信相手の装置（例えば、医療保険情報データベース１３０等）から受信したり、制御部３０４によって処理された情報を通信相手の装置（例えば、通信装置１１０）に送信したりする。電源部３０２は、情報処理装置１００の動作に必要となる電力を提供する電源である。

記憶部３０３は、例えばハードディスクや半導体メモリなどの不揮発性の記憶媒体を含み、情報処理装置１００の制御部３０４によって実行される各種プログラムや制御部３０４によって使用される各種データやＤＢを含む。各種プログラムには、本実施形態に係るｅＧＦＲ予測処理を実行するためのプログラムのほか、オペレーティングシステム、フレームワーク、ライブラリなどを含む。各種データは、例えば、情報処理装置１００の設定値や、機械学習モデルの学習後のパラメータ値などが含まれる。また、記憶部３０３は、機械学習モデルを学習させるための学習データを格納してもよい。

制御部３０４は、中央演算装置であるＣＰＵ３１０と、ＲＡＭ３１１とを含む。制御部３０４は、記憶部３０３に記憶されたプログラムをＲＡＭ３１１に展開、実行することにより、制御部３０４内部の各部の動作を制御したり、情報処理装置１００の各部の動作を制御したりする。また、制御部３０４は、制御部３０４内の各部を用いて、後述するｅＧＦＲ予測処理を実行する。

ＲＡＭ３１１は、例えばＤＲＡＭ等の揮発性の記憶媒体を含み、制御部３０４がプログラムを実行するためのパラメータや処理結果等を一時的に記憶する。

医療保険情報取得部３２０は、通信部３０１を介して、医療保険情報データベース１３０から医療保険情報を取得する。医療保険情報は、例えば、図５に示す特定健診情報５０１を含む。なお、この例では、健診の情報の一例として特定健診情報を用いて説明するが、本実施形態の健診の情報は特定健診による情報に限らず、任意の健診で得られる情報を含む。

図５に示す特定健診情報は、例えば、健診実施機関で受診した特定健診の情報（健診における測定値や回答内容）等を含む。特定健診情報は、例えば、資格情報、特定健診受信情報、健診情報・基本情報、健診情報・医師の判断、健診情報・質問表（特定健診）、特定健診・質問表（後期高齢者健診）などのテーブルの情報を含む。この特定健診情報のうちの健診情報・基本項目５０２は、ＢＭＩ、ｅＧＦＲ、ＨｂＡ１ｃ、ヘマトクリット値などの情報を含んでいる。なお、図５に示す特定健診情報のテーブルの情報は、公知のマイナポータルの医療保険情報に含まれる情報を本実施形態の一例として示している。

医療保険情報取得部３２０は、推論段階の処理を行う場合（すなわち特定の人の将来のｅＧＦＲの変化の傾向を予測する場合）、特定の人の時系列の医療保険情報を取得する。一方、機械学習モデルを学習させる場合、又は、機械学習モデルの学習に用いる学習データを生成する場合、機械学習モデルを学習させるために必要な人数分の時系列の医療保険情報を取得する。

傾向予測部３２１は、学習済みの機械学習モデルにより、時系列の医療保険情報に基づいて、特定の人の将来のｅＧＦＲの変化の傾向を予測する。上述のように、機械学習モデルは、時系列の医療保険情報に含まれる、時系列のｅＧＦＲと、ｅＧＦＲ以外の健診での測定値とを用いて、例えば、３年分に相当する将来のｅＧＦＲの時系列の予測値を出力する。上述のように、機械学習モデルの入力は、健診での測定値のほか、問診表に対する問診結果、或いは、対象者の過去のｅＧＦＲに対する統計処理で得られる年単位のｅＧＦＲの変化量（例えば、過去３年分のｅＧＦＲに対する回帰直線の傾き）を含んでもよい。対象者の過去のｅＧＦＲに基づく年単位のｅＧＦＲの変化量を用いることにより、機械学習モデルは、大まかな傾向を予測に加味することができる。更に、入力は、健診での測定値における、過去の所定期間における変動（例えば、過去３年間におけるヘマトクリット値やＨｂＡ１ｃの値の変動量）を更に用いることができる。過去の所定期間における変動を用いることにより、機械学習モデルは、ｅＧＦＲ以外の測定値についての変化の傾向を加味することができる。

介入候補者抽出部３２２は、傾向予測部３２１によって出力されたｅＧＦＲの将来の変化の傾向が介入条件を満たすかを判定し、介入条件を満たす場合に、介入候補者として抽出する。介入条件は、例えば、ｅＧＦＲの低下速度が年間５ｍＬ／分／１．７３ｍ２以上であることなど、ｅＧＦＲが急激に低下していると判断される条件を含む。肯定的な判定であれば、対象者を介入候補者として抽出する。介入候補者抽出部３２２は、ｅＧＦＲの将来の変化の傾向が介入条件を満たすと判定した場合、介入条件を満たす変化の傾向がある旨の通知（候補者抽出通知）を通信装置１１０に送信することができる。例えば、候補者抽出通知は、予測の対象者が介入の候補者であることと、ｅＧＦＲの低下速度とを含んでよい。

モデル生成部３２３は、特定の人の将来のｅＧＦＲの変化の傾向を予測する機械学習モデルを学習させる。例えば、モデル生成部３２３は、第１の時点より過去の健診で得られたｅＧＦＲの測定値の時系列データと、同じ健診で得られたｅＧＦＲ以外の測定値の時系列データとを入力とし、第１の時点より過去及び未来のｅＧＦＲの測定値の時系列データから算出した、ｅＧＦＲの年単位の変化量を正解データとして、ｅＧＦＲの将来の変化の傾向を予測するように機械学習モデルを学習させる。上述のように、機械学習モデルとして例えば、ＬｉｇｈｔＧＢＭやＸＧＢｏｏｓｔなどを用いることができ、機械学習モデルの学習は公知の方法を用いて行うことができる。機械学習モデルとして、ＬｉｇｈｔＧＢＭやＸＧＢｏｏｓｔなどの決定木のモデルを用いる場合、機械学習モデルの各入力による出力への影響を把握することができる。このため、各入力による出力への影響は、予測結果における根拠として用いることができる。例えば、機械学習モデルが出力するｅＧＦＲの将来の変化の傾向が介入条件を満たす場合、上述の候補者抽出通知は、予測の根拠を示してもよい。候補者抽出通知は、例えば「腎機能低下スピードが高いと判断された理由は、（１）過去の腎機能が低下傾向にあること、（２）ＨｂＡ１ｃが高いこと、（３）血圧が高いこと、の３点です」のように、予測と関連付けられた根拠を含んでよい。

（通信装置の構成）
更に、通信装置１１０の構成例について、図４を参照して説明する。図４は、本実施形態の通信装置１１０の機能構成例を示している。なお、説明する機能ブロックの各々は、統合されまたは分離されてもよく、また説明する機能が別のブロックで実現されてもよい。また、ハードウェアとして説明するものがソフトウェアで実現されてもよく、その逆であってもよい。

通信部４０１は、例えば通信用回路等を含み、例えばＬＴＥ等の移動体通信を介して情報処理装置１００と通信したり、或いはＷｉＦｉ等の無線通信を介して情報処理装置１００と通信したりして必要なデータの送受信を行う。

操作部４０３は、キーボードやタッチパネルを含み、表示部４０５に表示される各種操作画面に対する操作を受け付ける。表示部４０５は、例えばＬＣＤやＯＬＥＤ等の表示パネルを含み、各種操作用のＧＵＩを表示する。例えば、表示部４０５は、情報処理装置１００の介入候補者抽出部３２２が送付する候補者抽出通知を、例えばウェブブラウザ或いはメールアプリケーションなどを介して表示部４０５に表示させる。

記録部４０６は、例えば半導体メモリ等の不揮発性メモリを含み、設定されたユーザ情報、制御部４０２が実行するプログラム等を記憶する。

制御部４０２は、ＣＰＵ４１０及びＲＡＭ４１１を含み、例えば記録部４０６に記録されたプログラムをＣＰＵ４１０が実行することにより、制御部４０２内の各機能ブロックや通信装置１１０内の各部の動作を制御する。

（情報処理装置におけるｅＧＦＲ予測処理の一連の動作）
次に、情報処理装置におけるｅＧＦＲ予測処理の一連の動作について、図７を参照して説明する。なお、本一連の動作で説明する各動作は、制御部３０４が記憶部３０３に記憶されるプログラムをＲＡＭ３１１に展開、実行することにより、上述の制御部３０４の各部を機能させることにより実現される。本一連の動作は、例えば、通信装置１１０から、特定の人（対象者）に対するｅＧＦＲの予測要求を受け付けた時点から開始される。

Ｓ７０１では、医療保険情報取得部３２０は、医療保険情報データベース１３０から特定の人の時系列の医療保険情報を取得する。医療保険情報取得部３２０は、特定の人を識別する情報を用いて、当該特定の人の医療保険情報のうちの所定の年数分（例えば直近の連続した３年分）だけ取得する。また、医療保険情報取得部３２０は、特定健診情報に加えて、機械学習モデル２０２が用いる他の情報を、記憶部３０３或いは外部装置から更に取得してもよい。

Ｓ７０２では、傾向予測部３２１は、Ｓ７０１で取得した時系列の医療保険情報等から、時系列のｅＧＦＲ、時系列の他の情報を取得する。Ｓ７０３では、傾向予測部３２１は、上述したように、学習済みの機械学習モデルにより、例えば、時系列のｅＧＦＲと、時系列の、ｅＧＦＲ以外の健診での測定値とを用いて、特定の人の将来のｅＧＦＲの変化の傾向を予測する。機械学習モデルは、予測結果として、例えば将来のｅＧＦＲの時系列の予測値を出力する。

なお、傾向予測部３２１は、特定の人の直近のｅＧＦＲを参照して、その値がｅＧＦＲ４５ｍＬ／分／１．７３ｍ２を下回る場合には、処理対象から外すようにしてもよい。すなわち、直近のｅＧＦＲが、ｅＧＦＲ４５ｍＬ／分／１．７３ｍ２以上６０ｍＬ／分／１．７３ｍ２未満の人を本処理の対象とするようにしてもよい。このようにすれば、本ｅＧＦＲ予測処理を多数の人に繰り返し適用する場合に、ある程度重症化している人を除いて処理することで、処理速度を高速にすることができる。

上述のように、ｅＧＦＲ以外の健診での測定値は、腎機能関連値及びリスク因子の少なくともいずれかを含んでよい。図６は、一例としての腎機能関連値やリスク因子と、ｅＧＦＲの変化との相関関係を模式的に示している。なお、当業者には明らかなように、相関関係の様子は使用するデータによって変動し得る。図６で模式的に示す例は、腎機能関連値やリスク因子と、ｅＧＦＲの変化との間にある程度の相関関係があることを示す目的で用いられていることに留意すべきである。６０２は、ＨｂＡ１ｃの値が増加するほど、将来のｅＧＦＲが大きく低下することを示している。６０４は、最高血圧（ｓｂｐ）の値が増加するほど、将来のｅＧＦＲが大きく低下することを示している。６０５は、ＨＤＬコレステロールの値が低下するほど、将来のｅＧＦＲが大きく低下することを示している。また、６０６は、ＢＭＩの過去２年間の増加が大きいほど、将来のｅＧＦＲが大きく低下することを示している。図６に示す６０２、６０４、６０５及び６０６は、健診での測定値におけるリスク因子として、その１つ以上を用いることができる。つまり、機械学習モデルの入力としてリスク因子を用いることにより、これらが将来のｅＧＦＲの変化に与える影響を加味した予測を行うことができる。なお、６０１に示す性別は、健診での測定値ではないが、性別とｅＧＦＲの変化の相関を示しており、男性であることをリスク因子として予測に利用可能であることを示している。すなわち、健診での測定値以外の入力として、性別を機械学習モデルに入力することにより、当該リスク因子を加味した予測が可能になる。図６に示す測定値は、説明のための例示であり、他の測定値を腎機能関連値、或いはリスク因子として用いてもよい。

また、６０３は、ヘマトクリット値（ｈｔ）が減少するほど、将来のｅＧＦＲが大きく低下することを示している。図６に示す６０３は、健診での測定値における腎機能関連値として予測に利用可能であることを示している。つまり、機械学習モデルの入力として腎機能関連値を用いることにより、当該関連値が将来のｅＧＦＲの変化に与える影響を加味した予測を行うことができる。

Ｓ７０４では、介入候補者抽出部３２２は、傾向予測部３２１によって出力されたｅＧＦＲの将来の変化の傾向が予め定めた介入条件を満たすかを判定する。介入候補者抽出部３２２は、予め定めた介入条件を満たすと判定した場合、処理をＳ７０５に進め、そうでない場合には処理を終了する。介入条件は、上述のように、ｅＧＦＲの低下速度が年間５ｍＬ／分／１．７３ｍ２以上であることなど、ｅＧＦＲが急激に低下していると判断される条件を含む。介入候補者抽出部３２２は、ｅＧＦＲの将来の変化の傾向を特定するために、機械学習モデルによって出力された時系列の予測値を、更に統計処理（例えば回帰分析など）を適用してもよい。

Ｓ７０５では、介入候補者抽出部３２２は、上述の候補者抽出通知を通信装置１１０に送信することができる。

なお、上述の実施形態では、ｅＧＦＲ予測処理により、ｅＧＦＲの将来の変化の傾向が急激に低下する人を抽出する場合を例に説明した。しかし、本実施形態は、ｅＧＦＲの変化が低下を示す場合に限定されない。本実施形態は、薬剤を使用した際の治療効果の判定にも用いてもよい。すなわち、継続的に治療を受けている患者のｅＧＦＲの測定値と、他の測定値とを取得して、上述の機械学習モデルにより、ｅＧＦＲの将来の変化の傾向が予め定めた基準以上に緩やかである場合に、治療効果があると判定してもよい。或いは、同様の判定は、保健事業の効果検証のＫＰＩとして用いられてもよい。

以上説明したように、本実施形態では、特定の人の時系列の医療保険情報を取得し、学習済みの機械学習モデルにより、時系列のｅＧＦＲと、時系列のｅＧＦＲ以外の測定値（例えば健診での測定値）とを用いて、特定の人の将来のｅＧＦＲの変化の傾向を予測するようにした。このようにすることで、ｅＧＦＲの将来の変化の傾向を容易に予測することが可能になる。本実施形態では、健診での測定値を用いてｅＧＦＲの変化の傾向を精度良く予測することができるため、ｅＧＦＲを予測するための時間的コストや金銭的コストを大きく低下させることができる。現在のｅＧＦＲの値が比較的高い人に対しても容易に予測結果を得ることができ、本来介入を必要としているより多くの対象者に介入を受ける機会をもたらすことができる。

発明は上記の実施形態に制限されるものではなく、発明の要旨の範囲内で、種々の変形・変更が可能である。

１００…情報処理装置、１１０…通信装置、３２０…医療保険情報取得部、３２１…傾向予測部

Claims

特定の人の時系列の医療保険情報を取得する取得手段と、
学習済みの機械学習モデルにより、前記時系列の医療保険情報に基づいて、前記特定の人の将来の推算糸球体濾過量（ｅＧＦＲ）の変化の傾向を予測する予測手段と、を有し、
前記機械学習モデルは、前記時系列の医療保険情報に含まれる、時系列のｅＧＦＲと、時系列の、ｅＧＦＲ以外の測定値とを用いて、前記特定の人の前記将来のｅＧＦＲの変化の傾向を予測する、ことを特徴とする情報処理装置。
前記将来のｅＧＦＲの変化の傾向は、前記将来のｅＧＦＲの時系列の予測値を含む、請求項１に記載の情報処理装置。
前記将来のｅＧＦＲの変化の傾向は、所定期間におけるｅＧＦＲの変化の大きさ、又は、ｅＧＦＲの年単位の変化量を含む、請求項１に記載の情報処理装置。
前記時系列のｅＧＦＲと、前記時系列の、ｅＧＦＲ以外の測定値とは、連続した３年分の健診における各健診での測定値を含む、ことを特徴とする請求項１に記載の情報処理装置。
前記時系列の、ｅＧＦＲ以外の測定値は、時系列の腎機能関連値及び時系列のリスク因子の少なくともいずれかを含む、ことを特徴とする請求項１に記載の情報処理装置。
前記機械学習モデルは、前記特定の人の時系列の、測定値以外の情報を更に用いる、ことを特徴とする請求項１に記載の情報処理装置。
前記機械学習モデルは、前記特定の人の時系列の問診結果であって健診における問診表に対する問診結果を更に用いる、ことを特徴とする請求項１に記載の情報処理装置。
前記機械学習モデルは、前記特定の人の過去のｅＧＦＲに対する統計処理で得られる年単位のｅＧＦＲの変化量、及び、前記時系列の、ｅＧＦＲ以外の健診での測定値における、過去の所定期間における変動、の少なくともいずれかを更に用いる、ことを特徴とする請求項１に記載の情報処理装置。
前記予測手段は、ｅＧＦＲ４５ｍＬ／分／１．７３ｍ２以上６０ｍＬ／分／１．７３ｍ２未満である前記特定の人について、前記特定の人の前記将来のｅＧＦＲの変化の傾向を予測する、ことを特徴とする請求項１に記載の情報処理装置。
前記時系列の腎機能関連値は、時系列のヘマトクリット値を含み、前記時系列のリスク因子は、時系列のＨｂＡ１ｃの値を含む、ことを特徴とする請求項５に記載の情報処理装置。
前記取得手段は、公的な仕組みによって収集及び管理される個人の医療保険情報を格納するデータベースから、前記特定の人の時系列の医療保険情報を取得する、ことを含む請求項１に記載の情報処理装置。
情報処理装置によって実行される情報処理方法であって、
特定の人の時系列の医療保険情報を取得する取得工程と、
学習済みの機械学習モデルにより、前記時系列の医療保険情報に基づいて、前記特定の人の将来の推算糸球体濾過量（ｅＧＦＲ）の変化の傾向を予測する予測工程と、を有し、
前記機械学習モデルは、前記時系列の医療保険情報に含まれる、時系列のｅＧＦＲと、時系列の、ｅＧＦＲ以外の測定値とを用いて、前記特定の人の前記将来のｅＧＦＲの変化の傾向を予測する、ことを特徴とする情報処理方法。
コンピュータを、請求項１から１１のいずれか１項に記載の情報処理装置の各手段として機能させるためのプログラム。