特許 5661801 動物において体重状態を管理する方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】5661801

(24)【登録日】2014年12月12日

(45)【発行日】2015年1月28日

(54)【発明の名称】動物において体重状態を管理する方法

(51)【国際特許分類】

   G06Q 50/22 20120101AFI20150108BHJP

【ＦＩ】

   G06Q50/22 130

【請求項の数】14

【全頁数】25

(21)【出願番号】特願2012-548117(P2012-548117)

(86)(22)【出願日】2011年1月6日

(65)【公表番号】特表2013-516706(P2013-516706A)

(43)【公表日】2013年5月13日

(86)【国際出願番号】US2011020359

(87)【国際公開番号】WO2011085090

(87)【国際公開日】20110714

【審査請求日】2012年9月6日

(31)【優先権主張番号】61/292,652

(32)【優先日】2010年1月6日

(33)【優先権主張国】US

【前置審査】

(73)【特許権者】

【識別番号】502329223

【氏名又は名称】ヒルズ・ペット・ニュートリシャン・インコーポレーテッド

(74)【代理人】

【識別番号】100140109

【弁理士】

【氏名又は名称】小野 新次郎

(74)【代理人】

【識別番号】100075270

【弁理士】

【氏名又は名称】小林 泰

(74)【代理人】

【識別番号】100101373

【弁理士】

【氏名又は名称】竹内 茂雄

(74)【代理人】

【識別番号】100118902

【弁理士】

【氏名又は名称】山本 修

(72)【発明者】

【氏名】トール，フィリップ・ダブリュー

(72)【発明者】

【氏名】パエトウ−ロビンソン，インケ

(72)【発明者】

【氏名】カーク，クラウディア・エイ

【審査官】 阿部 潤

(56)【参考文献】

【文献】 特開２００５−００００７４（ＪＰ，Ａ）

【文献】 特開２００９−０７２１５７（ＪＰ，Ａ）

【文献】 特開２００５−０８７４４２（ＪＰ，Ａ）

【文献】 特開２００６−０７６９５４（ＪＰ，Ａ）

【文献】 特表２００７−５２３６３４（ＪＰ，Ａ）

【文献】 特表２００９−５２６５３３（ＪＰ，Ａ）

【文献】 国際公開第２００５／０６２８７８（ＷＯ，Ａ２）

【文献】 国際公開第２００７／０９３４３０（ＷＯ，Ａ１）

【文献】 特開２０００−２３７１９５（ＪＰ，Ａ）

【文献】 特開２００８−１８１３１７（ＪＰ，Ａ）

【文献】 特開２００８−２７６３００（ＪＰ，Ａ）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ０６Ｑ １０／００ − ５０／３４

(57)【特許請求の範囲】

【請求項1】

伴侶動物の体重状態を管理するためにコンピュータにより実施される方法であって、
伴侶動物の実際の体脂肪率または除脂肪体重を測定により入力するステップと、
前記伴侶動物の身体データについての測定値を入力するステップと、
前記身体データを独立変数とし、且つ、前記実際の体脂肪率または除脂肪体重を従属変数として用いる回帰分析を適用して、１つ以上の数式を導出するステップと、
前記導出された１つ以上の数式に基づいて、前記伴侶動物について予測される体脂肪率または除脂肪体重を計算するステップと、
前記実際の体脂肪率または除脂肪体重が前記予測された体脂肪率または除脂肪体重との間で強い相関を示した前記身体データについて属性を判定するステップと、
前記予測された体脂肪率または除脂肪体重に基づいて、前記伴侶動物に有効な減量管理データを計算し、該減量管理データに基づく減量管理計画を出力により提供するステップと
を含み、
前記身体データの測定値が、体重（ＢＷ）、頭蓋長（ＣＬ）、頭蓋長×頭部周囲（ＣＬｘＨＣ）、頭部長（ＨＷ）、後肢中央足蹠長（ＨＬＣＦＰＬ）、踵骨幅（ＣＷ）、後肢長（ＨＬＬ）、骨盤周囲（ＰＣ）、および前部体高（ＦＨ）の測定値を含み、
前記動物が犬であり、
除脂肪体重（ＬＢＭ）を予測するために用いられる前記数式が、
（１） ＬＢＭ＝（１３４．４×ＢＷ）−（１０１２×ＣＬ）＋（２３．５×（ＣＬ×ＨＣ））−（４０３．７×ＨＷ）＋（３１９．７４×ＨＬＣＦＰＬ）−（２１４．８×ＣＷ）＋（１０１２．４×ＨＬＬ）−（３０．３４×ＰＣ）−（１１９．４×ＦＨ）＋２７７２．３である、方法。

【請求項2】

伴侶動物の体重状態を管理するためにコンピュータにより実施される方法であって、
伴侶動物の実際の体脂肪率または除脂肪体重を測定により入力するステップと、
前記伴侶動物の身体データについての測定値を入力するステップと、
前記身体データを独立変数とし、且つ、前記実際の体脂肪率または除脂肪体重を従属変数として用いる回帰分析を適用して、１つ以上の数式を導出するステップと、
前記導出された１つ以上の数式に基づいて、前記伴侶動物について予測される体脂肪率または除脂肪体重を計算するステップと、
前記実際の体脂肪率または除脂肪体重が前記予測された体脂肪率または除脂肪体重との間で強い相関を示した前記身体データについて属性を判定するステップと、
前記予測された体脂肪率または除脂肪体重に基づいて、前記伴侶動物に有効な減量管理データを計算し、該減量管理データに基づく減量管理計画を出力により提供するステップと
を含み、
前記身体データの測定値が、年齢、後肢中央足蹠長（ＨＬＣＦＰＬ）、骨盤周囲（ＰＣ）、頭部周囲（ＨＣ）、前肢中央足蹠長（ＦＬＣＰＦＰＷ）、後肢長（ＨＬＬ）、頭蓋長（ＣＬ）、および頭蓋長×頭部周囲（ＣＬ×ＨＣ）の測定値を含み、
前記動物が犬であり、
除脂肪体重（ＬＢＭ）を予測するために用いられる前記数式が、
（２） ＬＢＭ＝（１２２．５×年齢）＋（１７４．３３×ＨＬＣＦＰＬ）＋（８０７．０１×ＨＬＬ）＋（８７．５９×ＰＣ）−（５７０．１×ＨＣ）＋（２４６．６７×ＦＣＦＰＷ）−（２４４７×ＣＬ）＋（５８．９２×（ＣＬ×ＨＣ））＋１０７１２である、方法。

【請求項3】

伴侶動物の体重状態を管理するためにコンピュータにより実施される方法であって、
伴侶動物の実際の体脂肪率または除脂肪体重を測定により入力するステップと、
前記伴侶動物の身体データについての測定値を入力するステップと、
前記身体データを独立変数とし、且つ、前記実際の体脂肪率または除脂肪体重を従属変数として用いる回帰分析を適用して、１つ以上の数式を導出するステップと、
前記導出された１つ以上の数式に基づいて、前記伴侶動物について予測される体脂肪率または除脂肪体重を計算するステップと、
前記実際の体脂肪率または除脂肪体重が前記予測された体脂肪率または除脂肪体重との間で強い相関を示した前記身体データについて属性を判定するステップと、
前記予測された体脂肪率または除脂肪体重に基づいて、前記伴侶動物に有効な減量管理データを計算し、該減量管理データに基づく減量管理計画を出力により提供するステップと、
を含み、
前記１つ以上の数式が、２つの別個の数式であり、体重が閾値量以下の伴侶動物に対して第１の数式を用い、体重が閾値量よりも多い伴侶動物に対して第２の数式を用い、
前記動物が犬であり、前記閾値量が４０ポンドであり、
前記身体データの測定値が、年齢、ＢＷ、ＣＬ×ＨＣ、後肢中央足蹠幅（ＨＬＣＦＰＷ）、ＣＷ、ＨＬＬ、および前肢長（ＦＬＬ）の測定値を含み、除脂肪体重（ＬＢＭ）を予測するために用いられる前記第１の数式が、
（３） ＬＢＭ＝（６３．７４×年齢）＋（７１．６９×ＢＷ）＋（５．３１×（ＣＬ×ＨＣ））＋（１８９．７２×ＨＬＣＦＰＷ）−（１２２．８×ＣＷ）＋（１０１９．６×ＨＬＬ）−（３３７．７×ＦＬＬ）−４１４８であり、
または、
前記身体データの測定値が、年齢、体長（ＢＬ）、ＣＬ×ＨＣ、ＨＬＬ、ＦＬＬ、および顔面長（ＦＬ）の測定値を含み、除脂肪体重（ＬＢＭ）を予測するために用いられる前記第１の数式が、
（４） ＬＢＭ＝（６０．２２×年齢）＋（１１１．３×ＢＬ）＋（７．６１×（ＣＬ×ＨＣ）＋（１４０１．６×ＨＬＬ）−（４８０．２×ＦＬＬ）−（１６９×ＦＬ）−５４８０であり、
または、
前記身体データの測定値が、 頭蓋長 （ｃｒａｎＬ）、頭部幅（ＨＷ）、ＢＷ、頭蓋長×ＨＷ（ｃｒａｎＬ×ＨＷ）、骨盤長×骨盤幅（ＰＬ×ＰＷ）、および脛骨周囲（ＴＣ）の測定値を含み、除脂肪体重（ＬＢＭ）を予測するために用いられる前記第１の数式が、
（１８）ＬＢＭ＝（−３８４２．５１×ｃｒａｎＬ）−（２７３７．７１×ＨＷ）＋（８５．４８×ＢＷ）＋（４２２．５１×（ｃｒａｎＬ×ＨＷ））＋（１６．３３×（ＰＬ×ＰＷ））＋（７７．３７×ＴＣ）＋２３９４８．１３である、方法。

【請求項4】

伴侶動物の体重状態を管理するためにコンピュータにより実施される方法であって、
伴侶動物の実際の体脂肪率または除脂肪体重を測定により入力するステップと、
前記伴侶動物の身体データについての測定値を入力するステップと、
前記身体データを独立変数とし、且つ、前記実際の体脂肪率または除脂肪体重を従属変数として用いる回帰分析を適用して、１つ以上の数式を導出するステップと、
前記導出された１つ以上の数式に基づいて、前記伴侶動物について予測される体脂肪率または除脂肪体重を計算するステップと、
前記実際の体脂肪率または除脂肪体重が前記予測された体脂肪率または除脂肪体重との間で強い相関を示した前記身体データについて属性を判定するステップと、
前記予測された体脂肪率または除脂肪体重に基づいて、前記伴侶動物に有効な減量管理データを計算し、該減量管理データに基づく減量管理計画を出力により提供するステップと
を含み、
前記１つ以上の数式が、２つの別個の数式であり、体重が閾値量以下の伴侶動物に対して第１の数式を用い、体重が閾値量よりも多い伴侶動物に対して第２の数式を用い、
前記動物が犬であり、前記閾値量が４０ポンドであり、
前記身体データの測定値が、年齢、ＢＷ、ＣＬ×ＨＣ、ＣＬ、ＨＬＣＦＰＬ、ＨＬＬ、およびＦＬＬの測定値を含み、除脂肪体重（ＬＢＭ）を予測するために用いられる前記第２の数式が、
（５） ＬＢＭ＝（−１４６．１×年齢）＋（１０４．７１×ＢＷ）＋（１５．３１×（ＣＬ×ＨＣ）−（６７５×ＣＬ）＋（３９４．０４×ＨＬＣＦＰＬ）＋（１２３９．４×ＨＬＬ）−（３７２．４×ＦＬＬ）−６０９９であり、
または、
前記身体データの測定値が、年齢、胸囲（ＴＣ）、ＰＣ、ＨＬＬ、ＨＬＣＦＰＬ、ＦＬＬ、およびＣＬ×ＨＣの測定値を含み、除脂肪体重（ＬＢＭ）を予測するために用いられる前記第２の数式が、
（６） ＬＢＭ＝（１４８．９２×ＴＣ）＋（１５９．８×ＰＣ）＋（９４４．０１×ＨＬＬ）＋（６７９．１２×ＨＬＣＦＰＬ）−（４６９．８×ＦＬＬ）＋（１０．０５×（ＣＬ×ＨＣ））−３１０７５であり、
または、
前記身体データの測定値が、ｃｒａｎＬ、踵骨長（ｃａｌＬ）、およびＢＷの測定値を含み、除脂肪体重（ＬＢＭ）を予測するために用いられる前記第２の数式が、
（２０） ＬＢＭ＝（−７３４．０２×ｃｒａｎＬ）＋３４６０．６７×ｃａｌＬ）＋（１６９．４３×ＢＷ）−４５９１．５６である、方法。

【請求項5】

伴侶動物の体重状態を管理するためにコンピュータにより実施される方法であって、
伴侶動物の実際の体脂肪率または除脂肪体重を測定により入力するステップと、
前記伴侶動物の身体データについての測定値を入力するステップと、
前記身体データを独立変数とし、且つ、前記実際の体脂肪率または除脂肪体重を従属変数として用いる回帰分析を適用して、１つ以上の数式を導出するステップと、
前記導出された１つ以上の数式に基づいて、前記伴侶動物について予測される体脂肪率または除脂肪体重を計算するステップと、
前記実際の体脂肪率または除脂肪体重が前記予測された体脂肪率または除脂肪体重との間で強い相関を示した前記身体データについて属性を判定するステップと、
前記予測された体脂肪率または除脂肪体重に基づいて、前記伴侶動物に有効な減量管理データを計算し、該減量管理データに基づく減量管理計画を出力により提供するステップと
を含み、
前記動物が犬であり、前記身体データの測定値が、ＢＬ、ＲＨ、ＴＣ、ＨＬＬ、ＣＷ、ＦＬＣＦＰＷ、およびＨＣの測定値を含み、体脂肪率（％脂肪）を予測するために用いられる前記数式が、
（１２） ％脂肪＝（０．４４×ＢＬ）＋（０．３４×ＲＨ）＋（０．８１×ＴＣ）−（４．２×ＨＬＬ）＋（０．９５×ＣＷ）−（０．９７×ＦＬＣＦＰＬ）−（１×ＨＣ）＋４７．８７である、方法。

【請求項6】

伴侶動物の体重状態を管理するためにコンピュータにより実施される方法であって、
伴侶動物の実際の体脂肪率または除脂肪体重を測定により入力するステップと、
前記伴侶動物の身体データについての測定値を入力するステップと、
前記身体データを独立変数とし、且つ、前記実際の体脂肪率または除脂肪体重を従属変数として用いる回帰分析を適用して、１つ以上の数式を導出するステップと、
前記導出された１つ以上の数式に基づいて、前記伴侶動物について予測される体脂肪率または除脂肪体重を計算するステップと、
前記実際の体脂肪率または除脂肪体重が前記予測された体脂肪率または除脂肪体重との間で強い相関を示した前記身体データについて属性を判定するステップと、
前記予測された体脂肪率または除脂肪体重に基づいて、前記伴侶動物に有効な減量管理データを計算し、該減量管理データに基づく減量管理計画を出力により提供するステップと
を含み、
前記１つ以上の数式が、２つの別個の数式であり、体重が閾値量以下の伴侶動物に対して第１の数式を用い、体重が閾値量よりも多い伴侶動物に対して第２の数式を用い、
前記動物が犬であり、前記閾値量が４０ポンドであり、
前記身体データの測定値が、年齢、ＰＣ、およびＨＷの測定値を含み、体脂肪率（％脂肪）を予測するために用いられる前記第１の数式が、
（１３） ％脂肪＝（１×ＰＣ）−（０．８９×年齢）−（３．９６×ＨＷ）＋３５．８１である、方法。

【請求項7】

伴侶動物の体重状態を管理するためにコンピュータにより実施される方法であって、
伴侶動物の実際の体脂肪率または除脂肪体重を測定により入力するステップと、
前記伴侶動物の身体データについての測定値を入力するステップと、
前記身体データを独立変数とし、且つ、前記実際の体脂肪率または除脂肪体重を従属変数として用いる回帰分析を適用して、１つ以上の数式を導出するステップと、
前記導出された１つ以上の数式に基づいて、前記伴侶動物について予測される体脂肪率または除脂肪体重を計算するステップと、
前記実際の体脂肪率または除脂肪体重が前記予測された体脂肪率または除脂肪体重との間で強い相関を示した前記身体データについて属性を判定するステップと、
前記予測された体脂肪率または除脂肪体重に基づいて、前記伴侶動物に有効な減量管理データを計算し、該減量管理データに基づく減量管理計画を出力により提供するステップと
を含み、
前記１つ以上の数式が、２つの別個の数式であり、体重が閾値量以下の伴侶動物に対して第１の数式を用い、体重が閾値量よりも多い伴侶動物に対して第２の数式を用い、 前記動物が重い犬であり、前記閾値量が４０ポンドであり、
前記身体データの測定値が、ＢＷ、ＦＬＬ、ＣＬ×ＨＣ、ＨＬＣＦＰＬ、およびＨＬＬの測定値を含み、体脂肪率（％脂肪）を予測するために用いられる前記第２の数式が、
（１４） ％脂肪＝（０．２４×ＢＷ）＋（０．９６×ＦＬＬ）−（０．０１×（ＣＬ×ＨＣ））−（１．２７×ＨＬＣＦＰＬ）−（２．６２×ＨＬＬ）＋７９．５５であり、
または、
前記身体データの測定値が、ＰＣおよびＨＬＣＦＰＬの測定値を含み、体脂肪率（％脂肪）を予測するために用いられる前記第２の数式が、
（１５） ％脂肪＝（０．３４×ＰＣ）−（１．１２×ＨＬＣＦＰＬ）＋４８．９３である、方法。

【請求項8】

伴侶動物の体重状態を管理するためにコンピュータにより実施される方法であって、
伴侶動物の実際の体脂肪率または除脂肪体重を測定により入力するステップと、
前記伴侶動物の身体データについての測定値を入力するステップと、
前記身体データを独立変数とし、且つ、前記実際の体脂肪率または除脂肪体重を従属変数として用いる回帰分析を適用して、１つ以上の数式を導出するステップと、
前記導出された１つ以上の数式に基づいて、前記伴侶動物について予測される体脂肪率または除脂肪体重を計算するステップと、
前記実際の体脂肪率または除脂肪体重が前記予測された体脂肪率または除脂肪体重との間で強い相関を示した前記身体データについて属性を判定するステップと、
前記予測された体脂肪率または除脂肪体重に基づいて、前記伴侶動物に有効な減量管理データを計算し、該減量管理データに基づく減量管理計画を出力により提供するステップと
を含み、
前記動物が猫であり、
前記身体データの測定値が、頭部周囲（ＨＣ）、前肢長（ＦＬＬ）、前肢周囲（ＦＬＣ）、および後肢中央足蹠長（ＨＬＣＦＰＬ）の測定値を含み、除脂肪体重（ＬＢＭ）を予測するために用いられる前記数式が、
（２２） ＬＢＭ＝（−５２７０）＋（１４７×ＨＣ）＋（２４８×ＦＬＬ）＋（３１７×ＦＬＣ）−（１０３×ＨＬＣＦＰＷ）であり、
または、
前記身体データの測定値が、性別（Ｇ）、頭部幅（ＨＷ）、骨盤長（ＰＬ）、踵骨長（ｃａｌＬ）、および踵骨隆起長（ｃａｌＴＬ）の測定値を含み、除脂肪体重（ＬＢＭ）を
予測するために用いられる前記数式が、
（２４） ＬＢＭ＝−４６３０＋３０１×Ｇ＋３５８×ＨＷ＋３５５×ＰＬ−２２４０×ｃａｌＬ＋８７１×ｃａｌＴＬである、方法。

【請求項9】

請求項１から８のいずれか一項に記載の方法において、前記伴侶動物の実際の体脂肪率または除脂肪体重を判定する方法が、二重エネルギＸ−線吸光測定法である、方法。

【請求項10】

伴侶動物の体重状態を管理するためにコンピュータにより実施される方法であって、
前記伴侶動物の推定体脂肪率を判定するステップであって、スプレッドシート、コンピュータ・プログラム、データベース、または入力を受け取り、前記推定体脂肪率を計算するための同様のツールの使用によって行われる、ステップと、
前記推定体脂肪率に基づいて、前記伴侶動物に有効な前記伴侶動物に有効な減量管理データを計算し、該減量管理データに基づく減量管理計画を提供するステップと、
を備えており、
前記推定体脂肪率の判定が、視覚的または触診評価を含み、
前記体脂肪率が、それぞれ前記視覚的または触診評価の間に観察される身体的規準の評価に従って割り当てられる複数の特定のポイント数を組み合わせて推定され、
前記視覚的および触診評価が、頭および首を覆う顔の量、顔における骨構造の突出、頭と肩との間の違い、首における首筋靱性(scuff toughness)および脂肪量、胸部脂肪量、胸骨についての突出および触診のし易さ、肩胛骨および肋骨、腹部上における鼠径部の脂肪体、腹部内容物触診のし易さ、ならびに、横からの形状、上からの形状、および姿勢を判定することを含むことを特徴とする、方法。

【請求項11】

請求項１０記載の方法であって、更に、前記伴侶動物に理想的な体重を判定するステップと、前記理想的な体重に基づいて、前記伴侶動物のために日毎給餌管理計画を提供するステップとを備えている、方法。

【請求項12】

請求項１０または請求項１１記載の方法であって、更に、食物組成を示すステップを備えており、前記食物組成が、タンパク質、脂肪、繊維、および炭水化物を含む、方法。

【請求項13】

請求項１０から１２までのいずれか１項に記載の方法において、前記推定体脂肪率を判定するステップが、生物情報および測定した身体的規準を含む、方法。

【請求項14】

請求項１０から１３までのいずれか１項に記載の方法において、前記伴侶動物の推定体脂肪率を判定するステップが、前記伴侶動物の身体測定値を評価するステップを含む、方法。

【発明の詳細な説明】

【技術分野】

【0001】

関連出願に対する相互引用
[0001] 本願は、２０１０年１月６日に出願された米国仮特許出願第６１／２９２．６５２号の優先権を主張する。この特許出願を本明細書で引用したことにより、その内容が本願にも組み込まれるものとする。

【従来技術】

【0002】

[0002] 本明細書において記載する実施形態は、身体の脂肪を評価し、伴侶動物にしかるべき減量管理計画を決定する方法に関する。更に特定すれば、本明細書において記載するのは、太りすぎ(overweight)および肥満の(obese)動物に適用するための、臨床的に有用なツールおよび方法である。

【0003】

[0003] 肥満は、米国において増えつつあり、これは人間だけではない。２００８年において、伴侶動物肥満防止協会による伴侶動物肥満研究では、推定８千４百万匹の犬および猫が太りすぎまたは肥満であり、犬および猫の約５０％を占めると結論付けた。更に、推定１０％の犬、および推定１８％の猫が肥満である。実際、肥満は、犬に生ずる栄養失調の中では最も広く知れ渡った形態の1つであると考えられる。

【0004】

[0004] 一般に、犬科および猫科の動物のような伴侶動物は、その理想的な体重よりも１５％多いと、太りすぎまたは肥満と見なされる。太りすぎた動物は、一般に、過剰な身体脂肪組織を有する。動物が太りすぎになる最も共通する原因は、食べ物の過剰消費であり、その結果、カロリーの過剰摂取となる。太った動物は、関節炎、心臓病、呼吸器の病気、糖尿病、膀胱癌、甲状腺機能減退、および膵臓炎というような病気にかかる危険性が非常に高くなる。

【0005】

[0005] 伴侶動物が肥満になればなる程、獣医(veterinarian)または動物専門家(animal practitioner)に呈示する困難さは増々明らかになる。多くの獣医が認めている困難の１つは、伴侶動物の所有者が、その伴侶動物の最適な健康レベルを維持するために、伴侶動物に給餌すべき食べ物の量を正確に処方する必要性である。伴侶動物の所有者がその伴侶動物に給餌すべき食料の量を正確に処方するために、獣医は最初にその動物のエネルギ必要性を評価しなければならない。同様に、正確に動物のエネルギ必要性を処方するために、獣医はその動物の身体脂肪率を正確に判定しなければならない。

【0006】

[0006] このように、しかるべき減量管理計画に合わせて適正な食事量を処方するプロセスは、究極的には、とりわけ、身体脂肪率の正確な計算に左右される。体脂肪率の計算において誤差が多い程、カロリー評価は一層不正確になる。

【0007】

[0007] 現在、身体状態評点（ＢＣＳ：body condition scoring）技法が、伴侶動物における肥満を推定する最も使いやすく(accessible)そして普及している方法となっている。この方法が使いやすく普及しているのは、その身体的規準を簡単に使用でき、この身体的規準は獣医または動物専門家によって容易に測定可能であるからである。ＢＣＳ方法の下では、身体試験、視覚的観察、および触診を用いて、身体状態評点を割り当てることができる。この身体状態評点は、痩身から重篤な肥満までの範囲のカテゴリによる、体脂肪の半定量的評価である。ＢＣＳ方法の推定値は、正確ではないが、二重エネルギＸ−線吸光光度法（ＤＥＸＡ：dual-energy X-ray absorptiometry）によって判定される実際の体脂肪率に対して大まかに相関があることが確認されている。

【0008】

[0008] しかしながら、ＢＣＳ方法は、多くの場合、概して有効ではない。ＢＣＳ方法は同じ検査基準を適用するので、難しい動的な問題に対して画一的な解決策を行おうとする。加えて、伴侶動物の体脂肪率を臨床的に評価するために測定しなければならない具体的な身体パラメータが、各状況において同等でない場合がある。皮脂厚測定のような擬人測定が、人間における体脂肪率を推定するために以前から適用されているが、これらの種類の測定は、伴侶動物では有効性が低いことがわかっている。本質的に、現在熟練した獣医や動物専門家に入手可能な体脂肪を評価するための診断手順は、現行の欠点がある技法に伴う問題を解消していない。例えば、人間における体脂肪は、皮脂厚計を用いると、厳密に推定することができるが、犬三頭筋(canine triceps)ではさほど役に立たない。

【発明の概要】

【発明が解決しようとする課題】

【0009】

[0009] ＢＣＳ方法のような基本的な方法は、脂肪量が少ない伴侶動物程精度が高いが、これら多数の身体状態評点方法は、肥満の伴侶動物の範囲にわたって体脂肪を推定するには不十分である。理想的な体重を確定し、減量に対して正確なカロリー投与量を計算するには、動物における体脂肪の正確な評価は欠くことができないものであるので、減量管理計画を処方するための典型的な手順では、誤差の許容範囲が少なくなる。

【0010】

[0010] 犬および猫では、体形測定が用いられているが、被験犬の身体測定を体脂肪と比較することを発表するものは殆どない。部分的に、これは、伴侶動物が、胸部、腰部、および尾骨領域、ならびに腹腔内というような、種々の場所の皮下に、脂肪を堆積(deposit)および蓄積(store)するという事実による。伴侶動物が体重増加を受けると、骨盤状況が通常最も変化する。ときとして、骨盤状況の具体的な測定値が、体脂肪率を推定するために用いられているが、この方法も精度および正確度が欠けている。

【0011】

[0011] 伴侶動物の体脂肪率を推定する現行の方法は有効でない場合が多いが、本発明は、客観的基準および統計分析に基づいて、獣医および動物専門家に入手可能なツールを進化させることを試みる。したがって、体脂肪を評価し、伴侶動物のためにしかるべき減量管理計画を決定する方法を提供する。本発明によれば、更に、伴侶動物、特に、太りすぎおよび肥満の伴侶動物において、体脂肪および理想的な体重を判定する実用的な診断ツールで、専門家を支援する方法も提供する。この情報を用いると、本発明は、動物のエネルギ必要性、および減量管理計画に合わせた有効な食事投与量を計算する単純な手段も提供する。

【課題を解決するための手段】

【0012】

[0012] 本発明の一態様では、伴侶動物の体脂肪率を推定するツールを用いて、伴侶動物において体重状態を管理する方法を提供する。この方法は、伴侶動物に有効な減量管理計画を提供するために体脂肪率を用いるステップを含む。更に、この方法は、伴侶動物の理想的な体重、伴侶動物の重量を所望のレベルまで下げるための日毎給餌量、およびこの日毎給餌管理計画に従うことを条件に、伴侶動物の予測減量を決定するステップも含む。

【0013】

[0013] 本発明の更に別の態様では、体脂肪評価のための式を、回帰分析によって決定する。ＤＥＸＡ結果または実際の体脂肪率または除脂肪体重を判定するための同様の信頼性のある方法を用いて、身体データを測定し、記述データを用いてこのデータを相関付け、測定したデータおよび記述データに基づいて体脂肪率または除脂肪体重を予測するための数式を作成する。

【0014】

[0014] 本発明の更に他の態様では、体脂肪評価用の式は、２つの別個の式に分けられる。１つは、体重が閾値量以下の動物のための式であり、別の１つは、体重が閾値量よりも重い動物のための式である。

【0015】

[0015] 本発明の更に別の態様では、前述の動物が犬であり、閾値量が４０ポンドである。

【0016】

[0016] 本発明の更に別の態様では、前述の動物は猫である。

【0017】

[0017] 本発明の更に別の態様では、体脂肪率、理想的な体重、残余エネルギ要求量、食物投与量、および伴侶動物のための減量プログラムに関する他のあらゆる情報を自動的に計算するために、専門家がスプレッドシート、プログラム、または同様のツールで記述情報および測定情報を入力するためのものを利用することができる方法を提供する。

【0018】

[0018] 以上の本発明の概略的な説明、および以下の詳細な説明は双方とも、本発明の限定ではなく、一例に過ぎないことは言うまでもない。

【0019】

[0019] 本発明の更に別の適用可能な分野は、以下に示す詳細な説明から明白となろう。尚、詳細な説明および具体的な例は、本発明の好ましい実施形態を示すが、例示を目的とすることを意図するに過ぎず、本発明の範囲を限定することを意図するのではない。

【0020】

[0020] 本発明およびそれに伴う利点の多くは、以下の詳細な説明を参照し、添付図面と関連付けて検討することによって、これらを一層深く理解するに連れて、その一層完全な認識が容易に得られるであろう。

【図面の簡単な説明】

【0021】

【図1】[0021] 図１は、体脂肪を評価し、しかるべき減量管理計画を決定する方法の上位フロー・チャートを示す。

【図2】[0022] 図２は、伴侶動物における体脂肪率推定のための方法例を示す。

【図3】[0023] 図３は、最初に１群の動物の体脂肪を判定するために信頼性のあるプロセスを用い、次いで回帰分析を適用して、臨床的にやりやすい体脂肪率計算、および減量管理計画の最終的処方に合った最適な数式を定式化するために身体データを測定する方法の上位フロー・チャートを示す。

【図4】[0024] 図４は、４０ポンド以下の犬のための目標体重および食料投与量計算部の入力パラメータ例および出力パラメータ例を示す。

【図5】[0025] 図５は、４０ポンドよりも大きな犬のための目標体重および食料投与量計算部の入力パラメータ例および出力パラメータ例を示す。

【発明を実施するための形態】

【0022】

[0026] ここでは、伴侶動物において体重状態を管理する方法を提供する。この方法は、特に、平均よりも多い体脂肪を有する動物において評価の精度を高めるのに特に有用である。

【0023】

[0027] 本発明の一実施形態例は、伴侶動物において体重状態を管理する方法であり、伴侶動物の推定体脂肪率を判定するステップと、この推定した体脂肪率に基づいて、伴侶動物に有効な減量管理計画を提供するステップとを備えている。更に、本方法は、伴侶動物の理想的な体重を判定するステップと、伴侶動物の体重を理想的な体重まで減量するためにこの伴侶動物に処方する日毎給餌管理計画を決定するステップと、この日毎給餌管理計画に従っているのであれば、伴侶動物の予測減量率を判定するステップを備えている。

【0024】

[0028] 実施形態の中には、本方法が食べ物の組成(composition)を備えており、この組成が、タンパク質、脂肪、繊維、および炭水化物を含む場合がある。

【0025】

[0029] 一実施形態では、本方法は、体脂肪評点（ＢＦＳ）方法によって、伴侶動物の推定体脂肪率を判定するステップを備えており、動物の体脂肪の視覚的評価および触診評価を行い、これらの視覚的評価および触診評価の結果を用いて、その動物の体脂肪指標評点を割り当てる。視覚的評価および触診評価は、以下を含むことができる。即ち、頭および首を覆う顔の量、顔における骨構造の突出、頭と肩との間の違い、首における首筋靱性(scuff toughness)および脂肪量、胸部脂肪量、胸骨についての突出および触診のし易さ、肩胛骨および肋骨、腹部上における鼠径部の脂肪体(inguinal fat pad)、腹部内容物触診のし易さ、ならびに、横からの形状、上からの形状、および姿勢を含む、全体的な身体評価である。体脂肪指標評点は、一般に、動物についての体脂肪率の推定値である自然数であると理解される。また、この方法は、視覚的および触診評価の間に観察された身体的規準の主観的評価も含み、各評価には特定のポイント数が割り当てられる。次いで、このポイントを集計して、推定体脂肪インデクス評点に到達する。

【0026】

[0030] 一実施形態では、本方法は、体脂肪予測（ＢＦＰ）方法によって、伴侶動物の推定体脂肪率を判定するステップを備えており、生物情報および身体測定を用いて、推定体脂肪率に到達する。このような生物情報および身体測定は、体重、年齢、性別、および、身長、体長、脚長、足蹠サイズ(foot pad size)等を含むことができる。

【0027】

[0031] 実施形態の中には、本方法が、表計算、コンピュータ・プログラム、データベース、または入力データを受け取り、推定体脂肪率、理想的な体重、安静時エネルギ要求量（ＲＥＲ：resting energy requirements)、および食物投与量を自動的に計算するために開発された同様のツールによって、伴侶動物の推定体脂肪率を判定するステップも含む場合がある。

【0028】

[0032] 本発明の一実施形態例には、伴侶動物の体重状態を管理する方法があり、この方法は、伴侶動物の実際の体脂肪率または 除脂肪体重(lean body mass)を判定する方法を用いるステップと、実際の体脂肪率または 除脂肪体重 に基づいて、回帰分析を適用するために、伴侶動物の測定身体データおよび伴侶動物の記述データを用いるステップと、回帰分析に基づいて１つ以上の数式を導出するステップであって、これら１つ以上の数式が、測定された身体データおよび新たな伴侶動物の記述データに基づいて、伴侶動物の体脂肪率または除脂肪体重を予測するためのものである、ステップとを備えている。好ましい実施形態では、本方法は、伴侶動物の実際の体脂肪率または除脂肪体重を、二重エネルギＸ−線吸光光度法（ＤＥＸＡ）によって判定する。

【0029】

[0033] また、本方法は、前述の２つ以上の数式が２つの別々の数式である場合、体脂肪が閾値量未満の伴侶動物に第１の数式を適用し、体脂肪が閾値量よりも多い伴侶動物には第２の数式を適用するステップを含む。

【0030】

[0034] また、本方法では、伴侶動物が犬であり、閾値量が４０ポンドである場合も含む。

【0031】

[0035] 本発明の更に別の態様では、動物は猫である。

【0032】

[0036] 更に別の実施形態では、本発明は、１つのパッケージにおける別々の容器に、（１）伴侶動物の推定体脂肪率を判定するステップと、この伴侶動物に有効な減量管理計画を提供するステップとを備えている、伴侶動物を評価する方法についての情報またはこの方法のための命令を伝達する手段と、（２）伴侶動物において減量を促進するために用いられる食物脂肪とを備えているキットを提供する。

【0033】

[0037] 本明細書では、動物の体脂肪率の推定値を得るために、特に肥満の動物に用いるためのツール例について説明するが、体脂肪率を推定するには種々の方法を利用できることは、当業者には容易に理解されよう。

【0034】

[0038] 図１によれば、本プロセスにおける最初のステップは、体脂肪率を推定するツールを用いて、伴侶動物を評価するステップ（１０１）である。以下で更に説明するが、これは種々の様式で行うことができる。以下で説明する方法例では、体脂肪評価ツール、および減量計算部または同様のツールを利用する。体脂肪指標または評点を得るための規準を用いて、伴侶動物を評価する。体脂肪指標または評点は、動物の体脂肪率の推定値、または動物の実際の体脂肪率のいずれにでも基づくことができる。次いで、この数値を計算部または同様のツールに入力する。一方、計算部または同様のツールは、効果的な減量管理計画に必要な情報を提供する（１０３）。この情報は、動物の理想的な体重、安静時エネルギ要求量（ＲＥＲ）、日毎給餌量、および期待減量を含むことができる（１０５）。

【0035】

[0039] 動物体重評価では、一旦体脂肪率が推定されたなら（１０１）、推定体脂肪率を用いて動物のＲＥＲおよび理想的な体重を推定することができる（１０５）。重量が正常な動物に適用される現行のＢＣＳを用いると、本プロセスは、過剰な体脂肪を有する動物において日々のカロリー必要量を過大推定するという、望ましくない結果が生ずる。動物の体脂肪が増加するに連れて、日々のカロリー必要量の過大推定が増々大きくなる。したがって、現行のプロセスは、最初にそれが取り組むように設計された問題を一層複雑にする。

【0036】

[0040] ＢＳＣ方法を適用した結果生ずる過大推定は、近年になって、本発明の開発に至る初期研究において発見された。以下で更に詳しく説明するが、この初期研究では、減量給餌のために理想的な体重を推定する現行の方法が、４５％よりも大きな体脂肪を有する犬では、概ね不正確であることがはっきりと示された。

【0037】

[0041] ＢＣＳ方法に更に不利な面は、動物の肥満が大きい程、この方法の精度が低下することである。実際、ＢＣＳ方法は、体脂肪率が４５％よりも大きな動物では、増々精度が低くなる。部分的に、これは、ＢＣＳが主に体脂肪率が４５％未満の犬を評価するために設計されたからである。高い体脂肪率の犬の数が増大しているので、多目的用途に適した方法であるＢＣＳは増々効果的でなくなる。例えば、多くの肥満犬は現在５０％よりも高いレベルの体脂肪率を有するが、これらの犬に対して、ＢＣＳ方法は概ね効果がない。

【0038】

[0042] 前述の初期研究の一要素が、減量給餌のために理想的な体重を推定する現行の方法（即ち、ＢＣＳ）は、体脂肪が４５％よりも多い犬では精度が低いことをはっきりと示した。体脂肪を評価する現行の方法における２つの重大な欠点は、（１）評価を行う個人の訓練および習熟度に、正確さや精度が大きく依存すること、そして（２）現行の身体状態評点スケールでは、異なる肥満レベル間でも差が出ないことである。例えば、ＢＣＳ５点スケールでは、体脂肪が３５％よりも大きい犬は全て、５点という１つの評点に該当する。これは、体脂肪が６０％の犬、および体脂肪が３６％の犬が、同じ評点を受けるという、望ましくない結果が生ずる。犬が太っている程、理想的な体重および給餌量が過大に推定され、したがって、減量プログラムが長引き、効果がなくなる。

【0039】

[0043] 前述の初期研究では、犬における理想的な体重およびＲＥＲを推定するために、体脂肪率を使用する精度を、５および９ポイントＢＣＳシステムと比較した。一旦ＢＣＳ値が動物専門家によって割り当てられたなら、評点毎の中央体脂肪率を用いて、理想的な体重およびＲＥＲを推定する。ＤＥＸＡスキャンの結果に基づいて、体脂肪は２８．３％から６３．７％の範囲を占め、平均は４５．９％であった。中庸に肥満の犬および病的に肥満の犬に対するＢＣＳの精度を評価するために、これらの犬を２つのグループに分けた。第１グループは、体脂肪が４５％未満であり、第２グループは、体脂肪が４５％よりも多い。第１グループには１５匹の犬がおり、第２グループには２１匹の犬がいた。

【0040】

[0044] ＤＥＸＡと比較すると、理想的な体重の推定は、体脂肪が４５％よりも多い犬において、５（２３．０対１９．２Ｋｇ）および９（２１．１対１９．２ｋｇ）点ＢＣＳを用いた場合、非常に高くなったが（ｐ＜０．００１）、４５％未満の犬では、差がでなかった（ｐ＞０．０５）。

【0041】

[0045] したがって、以上の研究の結果は、現行のＢＣＳシステムは、体脂肪が４５％未満の犬では理想的な体重およびＲＥＲの正しい推定値を提供するが、体脂肪が４５％よりも多い病的に肥満の犬においてＲＥＲおよび理想的な体重を計算するには適していないことを実証した。

【0042】

[0046] 体脂肪率を評価する問題に加えて、ＲＥＲを推定するのに伴う誤差がある。動物減量プログラムが有効であり続けるには、動物の日毎カロリー摂取が、現在の体重を維持するために必要なレベルよりも低く抑制されなければならない。体重が正常な動物では、日毎カロリー必要量の計算は、動物の体重に基づけばよい。しかしながら、同じ手法を太りすぎの動物に適用すると、その動物の日毎カロリー必要量が過大推定されることを含む、期待に反する結果が生ずる可能性がある。

【0043】

[0047] 加えて、以下で説明する更に他の研究では、ＤＥＸＡ（または同等の技法）を、既知の体形測定および基本的な生物情報と組み合わせ用い、統計分析を用いて最適な数式を定式化するとよいということを示唆しており、この最適な数式は、あらゆる飼育伴侶動物に対して有効な減量管理計画を決定するのに適している。

【0044】

[0048] 以下に、体形測定をどのように行えばよいかについての説明を要約して示す。当業者であれば適宜理解できるように、身体的属性を測定する同様の方法であれば、そのいずれもが同等であり、以下の説明は本質的に単なる一例であり非限定的であることが分かるであろう。例えば、Ｓｅｃａ測定棒(Seca measuring rod)を用いて、通常の起立姿勢を取り頭を前方に真っ直ぐに向けた伴侶動物の胸骨から座骨／直腸まで測定することによって、体長を測定することができる。前部体高(front height)は、肩において、起立高(standing height)を測定するためのＳｅｃａ床高棒(floor height rod)を用いて測定することができる。後部体高(rear height)は、臀部において、起立高を測定するためのＳｅｃａ床高棒を用いて測定することができる。胸部周囲は、テーラーのテープを用いて、測定を行うときに、心臓回りでこのテープを胸郭の周りにきつく巻回して測定することができる。骨盤周囲は、テーラーのテープを用いて、膝の真ん前にある腰部の周りにきつく巻回して測定することができる。

【0045】

[0049] 次に、ここでは、脚部測定について説明する。金属テープ・メジャーを用いて、中央足蹠から踵骨突起の背方先端までの後肢の長さを測定して、後肢の長さを測定することができる。ディジタル・カリパスを用いて踵骨の幅を測定して、後肢踵骨幅を測定することができる。後肢中央足蹠幅は、ディジタル・カリパスを用いて、マイクロメーターを平らにして肉趾の底面にて足の下に据えて測定することができる。後肢中央足蹠長は、ディジタル・カリパスを用いて、マイクロメーターを平らにして肉趾の底面にて足の下に据えて測定することができる。前肢測定は、後肢の代わりに前肢を測定することを除いて、後肢測定と同様である。

【0046】

[0050] 頭部測定は、以下のように行うことができる。テーラーのテープを用いて、外部後頭隆起から目の中央目角まで測定して、頭蓋長を測定することができる。テーラーのテープを用いて、目の中央目角から鼻の先端まで測定することによって、顔面長を測定することができる。テーラーのテープを用いて、頭部の最も広い部分で、目と耳との間の周囲を測定して、頭部周囲を測定することができる。最後に、Ｓｅｃａ測定棒を用いて、目と耳との間を測定して、頭部幅を測定することができる。

【0047】

[0051] 測定値を記録した後、測定した身体データおよび入力された記述データから、除脂肪体重および体脂肪量の予測を求めるための回帰方程式を作成するために、ＤＥＸＡの結果を用いて、多数の回帰分析を適用することができる。記述データは、体重、種、年齢、性別、避妊状態等を含むことができる。

【0048】

[0052] 本明細書において説明するように、動物の体脂肪率の推定値を求めるために、２種類の基本的なツールを用いることができる。図２によれば、体脂肪評点（ＢＦＳ;Body Fat Scoring）方法２０１と呼ばれる一方法例を提供する。ＢＦＳ方法２０１では、体脂肪の視覚的および触診評価が行われる。この方法は、訓練された個人の観察を用いて、体脂肪指標評点を個々の動物に割り当てる。この体脂肪指標評点は、その動物についての体脂肪率の推定値である自然数であると、一般に理解されている。

【0049】

[0053] ＢＦＳ方法２０１の実行では、体脂肪指標・カテゴリ毎の特性を列挙したチャートを用いて動物を評価し、対応する評点をこの動物に割り当てる。例えば、体脂肪インデクス評点が１０である場合、体脂肪５〜１５％の範囲を示すことができる。評点が１０になるには、肋骨が浮き上がっていて容易に感じることができ、それを覆う脂肪が殆どないのでなければならない。また、評点が１０になるには、上から見た犬の形状が際立った砂時計形状であり、側面から見た形状において腹部ひだが目立ち、背後から見た形状では、骨が突出し輪郭が角張っており、尾の根元が突出する骨構造を含み、容易に感じられ、それを覆う脂肪が殆どないことも必要となる。以下の表は、体脂肪指標評点の広いカテゴリを示す。

【0050】

【表1】

【0051】

[0054] 上の表で表したように、各体脂肪指標カテゴリは、体脂肪率において１０点の範囲をカバーする。次いで、体脂肪指標評点を減量計算部に入力して、理想的な体重および給餌情報を得ることができる。

【0052】

[0055] 当業者には容易に理解されようが、この方法を記述する１つの方法は、動物の多数の身体的位置に基づく身体的規準の主観的評価であり、各評価が特定のポイント数を割り当てる。一旦動物の全ての位置を評価したなら、ポイントを合計して、推定体脂肪指標評点に到達する。次いで、この体脂肪指標評点を減量計算部に入力して、理想的な体重および給餌情報を得ることができる。

【0053】

[0056] 以下の表は、体脂肪指標評点ポイント・システムの一例を記述する。規準の各々が視覚的検査および触診によって評価されたとき、総合ポイントを組み合わせることができる。

【0054】

【表2】

【0055】

[0057] 以上のＢＦＳスケールで現行のＢＣＳスケールを改善することによって、重篤な肥満の伴侶動物において減量のために正しい食物投与管理計画に備えることができる。更に、動物専門家がデータを入力することを可能にする数値ポイント割り当て方法は、Microsoft Excelスプレッドシート、Microsoft Accessデータベース、または同様に考案されたツールの中に容易にプログラミングすることができる。

【0056】

[0058] 動物の体脂肪率を評価する第２の方法例は、体脂肪予測（ＢＦＰ）方法２０３である。ＢＦＰ方法２０３は、基本的な生物情報および簡単な身体測定を用いて、多脂肪および理想的な体重を予測する、前述の方法である。この方法は、体脂肪率または除脂肪体重を、開業獣医が得ることができる身体データに基づいて予測するために、 先に説明した回帰分析技法を用いることによって方程式を組むというように説明することができる。例えば、体重、年齢、性別、および避妊状態というような記述情報を、簡単な測定値（例えば、体高、体長、脚長、足蹠サイズ等）と組み合わせることによって、推定体脂肪率に到達することができる。

【0057】

[0059] 本発明の一実施形態によれば、除脂肪体重または体脂肪量のいずれかを予測するために、回帰方程式を用いることができる。次いで、この除脂肪体重または体脂肪量のいずれか、および総体重を用いて、体脂肪率を計算することができる。体脂肪予測に必要な基本データをＢＦＰ計算部に入力することができる。このＢＦＰ計算部は、体脂肪率およびその他の体脂肪変数を計算するツールを設ける。体脂肪率を、前述と同じ減量計算部に入力することができ、または減量計算を自動的にＢＦＰ計算部に組み込むのであってもよい。したがって、ＢＦＰ方法２０３は、精度が高い、そして客観的な測定値を提供しつつ、臨床設定に適したフォーマットを維持する。

【0058】

[0060] また、理想的な体重および食物投与量計算部も、ＲＥＲ、および毎日動物に給餌する食物の量を計算するツールとして設けることができる。例えば、理想体重計算部は、入力として、動物のＢＦＳ評点および現在の体重を受け取ることができる。あるいは、理想体重計算部は、入力として、記述情報、およびＢＦＰ方法２０３に対する方程式パラメータを受けることもできる。出力として、理想体重計算部は、動物の理想的な体重、ＲＥＲ計算（即ち、キロカロリー／日）、および動物に給餌すべき食物の量を決定することができる。加えて、理想体重および食物投与量計算部は、除脂肪体重の割合および除脂肪体重の量を決定することができ、あるいはこの情報をスプレッドシート・フォーマットで動物専門家に表示することもできる。

【0059】

[0061] 本発明の代替実施形態では、体脂肪率および理想的な体重を決定するためのスプレッドシート、ならびに計算した情報および食物の種類に基づいて食物投与量を決定するためのスプレッドシートを分けることができる。同様に、別個の数式を適用しようとする動物のあらゆるカテゴリにも、別々のスプレッドシートを用いることができる。例えば、４０ポンド以下の犬についての外形測定値を入力するために、表を用いることができ、４０ポンドよりも重い犬についての外形測定値を入力するために、別の表を用いることができる。このように、別々の数式がバックエンド・プロセスを実行することができ、これによって出力変数を計算する。

【0060】

[0062] 図３において、適用しようとするプロセス例に対して、最初に、信頼性があるが臨床的に厄介なプロセスを用いて、動物のグループに入っている各動物の実際の体脂肪率を決定しなければならない（３０１）。次に、ユーザは、臨床設定において測定するのに適した身体データを測定する（３０３）ことができる。これによって、ユーザは物理的に測定したデータ、および記述データを入力し（３０５）、この臨床設定に適した関数を導出することができる。次いで、回帰分析を用いて、動物専門家が臨床設定に用いることができる最適関数（１つまたは複数）を求めることができる（３０７）。最後に、得られた関数（１つまたは複数）を用いて、動物の体脂肪率を予測することができる（３０９）。

【0061】

[0063] 動物の体脂肪率を測定するツールを用いて、動物専門家は、次に、理想的な体重を推定し、ＲＥＲを計算し、動物がこの理想的な体重の目標を満たすための、日毎食物管理計画を決定することができる。

【0062】

[0064] 図４は、４０ポンド(lbs)以下の犬について、スプレッドシートの好ましい実施形態において利用することができる入力および出力パラメータ例を示す。体重４０１、体長４０３、前部体高４０５、胸囲４０７、骨盤周囲４０９、後肢中央足蹠長４１１、および前肢中央足蹠幅４１３は、先に説明した最適アルゴリズムにしたがって、４０ポンド以下の犬に対して、スプレッドシートに入力されるパラメータである。したがって、出力パラメータには、ＢＦＩ％４３０、目標体重４３２、減量すべき体重４３４、キロカロリー／日４３６、カップ／日４３８、缶／日４４０、推定週間減量４４２、目標体重に到達するための推定時間４４４、および推定週間減量％４４６が含まれる。

【0063】

[0065] 図５は、４０ポンドよりも重い犬に対して、スプレッドシートの好ましい実施形態において利用することができる入力および出力パラメータ例を示す。体重５０１、後肢長５０３、後肢中央足蹠長５０５、前肢長５０７、頭蓋長５０９、および頭部周囲５１１は、先に説明した最適アルゴリズムにしたがって、４０ポンドよりも重い犬に対して、スプレッドシートに入力されるパラメータである。同様に、出力パラメータには、ＢＦＩ％４３０、目標体重４３２、減量すべき体重４３４、キロカロリー／日４３６、カップ／日４３８、缶／日４４０、推定週間減量４４２、目標体重に到達するための推定時間４４４、および推定週間減量％４４６が含まれる。

【0064】

[0066] 動物の体脂肪率を推定するためにＢＦＳ方法を利用しても、またはＢＦＰ方法を利用しても、カロリー摂取量に基づいて、特に、太りすぎや肥満の動物において、食餌食物処方が改良されることが直ちに理解できてしかるべきである。
実施例
実施例１

【0065】

[0067] 身体組成が太りすぎから病的肥満までにわたる３６頭の成犬を評価した。以下の測定および手順を行った。体重、触診および視覚評価、ディジタル写真撮影（前、後ろ、横、そして上から）、身体サイズおよび形状測定、レントゲン撮影（頭部、胸部、および臀部）、ならびにＤＥＸＡ。

【0066】

[0068] 除脂肪体重、体脂肪量、および体脂肪率は、ＤＥＸＡによって判定された。このデータは、体形測定、骨格測定、体重、年齢、性別、および避妊状態から得られた独立変数を用いることによって、身体組成（除脂肪体重、体脂肪量、および体脂肪率）を予測するために従属変数を与えることによって、他の方法を評価するために用いられた。このようにして、除脂肪体重、体脂肪量、および体脂肪率を予測するための数式を導出した。２つの別個のモデルを適用した。第１モデルは、体形測定を用いた回帰分析から導出した。第２モデルは、骨格測定を用いた回帰分析から導出した。
第１モデル：体形測定

【0067】

[0069] 身体サイズおよび形状（体形測定）を回帰分析において用いて、身体組成を予測する。この分析において用いた変数には、身長、前部体高、後部体高、胸囲、骨盤周囲、前肢長、後肢長、中央足蹠長、中央足蹠幅、踵骨幅、頭部幅、頭部周囲、顔面長、および頭蓋長であった。回帰分析に含まれた他の変数は、年齢、性別、および避妊状態であった。

【0068】

[0070] 段階的多重回帰分析を用いて、どの体形変数から、除脂肪体重、体脂肪量、および体脂肪率の最良の推定値がＤＥＸＡによって得られたか判定を行った。このデータは、体重を独立変数として用いて、そして用いずに分析した。研究母数全体、および２つの副母数、即ち、体重が４０ポンド以下の犬、および体重が４０ポンドよりも重い犬について、モデルを作成した。

【0069】

[0071] 回帰分析に含まれた全ての犬を用いて、そして体重を独立変数として含めた場合、除脂肪体重を予測するために導出された最良のモデルは、以下のパラメータを含んでいた。体重（ＢＷ）、頭蓋長（ＣＬ）、頭蓋長×頭部周囲（ＣＬ＝ｘＨＣ）、頭部長（ＨＷ）、後肢中央足蹠長（ＨＬＣＦＰＬ）、踵骨幅（ＣＷ）、後肢長（ＨＬＬ）、骨盤周囲（ＰＣ）、および前部体高（ＦＨ）。この式において、ＬＢＭによって表される除脂肪体重を用いると、
（１） ＬＢＭ＝（１３４．４×ＢＷ）−（１０１２×ＣＬ）＋（２３．５Ｘ（ＣＬ×ＨＣ））−（４０３．７×ＨＷ）＋（３１９．７４×ＨＬＣＦＰＬ）−（２１４．８×ＣＷ）＋（１０１２．４×ＨＬＬ）−（３０．３４×ＰＣ）−（１１９．４×ＦＨ）＋２７７２．３

【0070】

[0072] このモデルを研究母集団全体に適用して、この犬の母集団の８３％において、正しく除脂肪体重が予測された（ＤＥＸＡ値の±１０％以内）。

【0071】

[0073] 回帰分析に含まれた全ての犬を用いて、そして体重を独立変数としては除外した場合、ＬＢＭを予測するために導出された最良のモデルには、年齢、ＨＬＣＦＰＬ、ＰＣ、ＨＣ、前肢中央足蹠長（ＦＬＣＰＦＰＷ）、ＨＬＬ、ＣＬ、およびＣＬ×ＨＣが含まれた。この式において、
（２） ＬＢＭ＝（１２２．５×年齢）＋（１７４．３３×ＨＬＣＦＰＬ）＋（８０７．０１×ＨＬＬ）＋（８７．５９×ＰＣ）−（５７０．１×ＨＣ）＋（２４６．６７×ＦＬＣＦＰＷ）−（２４４７×ＣＬ）＋（５８．９２×（ＣＬ×ＨＣ））＋１０７１２

【0072】

[0074] このモデルを研究母集団全体に適用すると、この犬の母集団の８１％において正しく除脂肪体重が予測された（ＤＥＸＡ値の±１０％以内）。

【0073】

[0075] 第１モデルの下で更に精度の高い数式を求めるために、犬を体脂肪が４０ポンド未満のグループ、および体脂肪が４０ポンドよりも多いグループに分けた。回帰分析に含まれた犬の中で体脂肪が４０ポンド未満の全ての犬を用いて、そして体重を独立変数として含めた場合、ＬＢＭを予測するために導出された最良のモデルには、年齢、ＢＷ、ＣＬ×ＨＣ、後肢中央足蹠幅（ＨＬＣＦＰＷ）、ＣＷ、ＨＬＬ、および前肢長（ＦＬＬ）が含まれた。この数式において、
（３） ＬＢＭ＝（６３．７４×年齢）＋（７１．６９×ＢＷ）＋（５．３１×（ＣＬ×ＨＣ））＋（１８９．７２×ＨＬＣＦＰＷ）−（１２２．８×ＣＷ）＋（１０１９．６×ＨＬＬ）−（３３７．７×ＦＬＬ）−４１４８

【0074】

[0076] このモデルをしかるべき研究母集団に適用して、それぞれの犬母集団の１００％において正しく除脂肪体重が予測された（ＤＥＸＡ値の±１０％以内）。

【0075】

[0077] 回帰分析に含まれた犬の中で体重が４０ポンド未満の犬全てを用いて、そして体重を独立変数としては除外した場合、ＬＢＭを予測するために導出された最良のモデルには、年齢、体長（ＢＬ）、ＣＬ×ＨＣ、ＨＬＬ、ＦＬＬ、および顔面長（ＦＬ）が含まれた。この式において、
（４） ＬＢＭ＝（６０．２２×年齢）＋（１１１．３×ＢＬ）＋（７．６１×（ＣＬ×ＨＣ）＋（１４０１．６×ＨＬＬ）−（４８０．２×ＦＬＬ）−（１６９×ＦＬ）−５４８０

【0076】

[0078] このモデルをしかるべき研究母集団に適用して、それぞれの犬母集団の１００％において正しく除脂肪体重が予測された（ＤＥＸＡ値の±１０％以内）。

【0077】

[0079] 同様の技法を、体重が４０ポンドよりも重い犬にも適用した。回帰分析に含まれる犬の中で体重が４０ポンドよりも重い犬全てを用いて、そして体重を独立変数として含めた場合、ＬＢＭを予測するために導出された最良のモデルには、年齢、ＢＷ、ＣＬ×ＨＣ、ＣＬ、ＨＬＣＦＰＬ、ＨＬＬ、およびＦＬＬが含まれた。この数式は、以下によって与えられる。
（５） ＬＢＭ＝（−１４６．１×年齢）＋（１０４．７１×ＢＷ）＋（１５．３１×（ＣＬ×ＨＣ）−（６７５×ＣＬ）＋（３９４．０４×ＨＬＣＦＰＬ）＋（１２３９．４×ＨＬＬ）−（３７２．４×ＦＬＬ）−６０９９

【0078】

[0080] このモデルをしかるべき研究母集団に適用して、それぞれの犬母集団の１００％において正しく除脂肪体重が予測された（ＤＥＸＡ値の±１０％以内）。

【0079】

[0081] 回帰分析に含まれる犬の中で体重が４０ポンドよりも重い犬全てを用いて、そして体重を独立変数としては除外した場合、ＬＢＭを予測するために導出された最良のモデルには、胸囲（ＴＣ）、ＰＣ、ＨＬＬ、ＨＬＣＦＰＬ、ＦＬＬ、およびＣＬ×ＨＣが含まれた。この数式は、以下によって与えられる。
（６） ＬＢＭ＝（１４８．９２×ＴＣ）＋（１５９．８×ＰＣ）＋（９４４．０１×ＨＬＬ）＋（６７９．１２×ＨＬＣＦＰＬ）−（４６９．８×ＦＬＬ）＋（１０．０５×（ＣＬ×ＨＣ））−３１０７５

【0080】

[0082] このモデルをしかるべき研究母集団に適用して、それぞれの犬母集団の９５％において正しく除脂肪体重が予測された（ＤＥＸＡ値の±１０％以内）。

【0081】

[0083] 体脂肪量も同様に計算することができる。回帰分析に含まれた全ての犬を用いて、そして体重を独立変数として含めた場合、脂肪量（ＦＭ）を予測するために導出された最良のモデルは、ＢＷ、ＣＬ×ＨＣ、ＨＬＣＦＰＬ、ＨＬＬ、およびＴＣを含んでいた。この数式は、以下によって与えられる。
（７） ＦＭ＝（２７２．４１×ＢＷ）−（７．５４×（ＣＬ×ＨＣ））−（２０８．８×ＨＬＣＦＰＬ）−（４６３×ＨＬＬ）＋（９８．２５×ＴＣ）＋３１１０．３

【0082】

[0084] このモデルを研究母集団全体に適用すると、この犬の母集団の７８％において正しくＦＭが予測された（ＤＥＸＡ値の±１０％以内）。

【0083】

[0085] 回帰分析に含まれた全ての犬を用いて、そして体重を独立変数としては除外した場合、ＦＭを予測するために導出された最良のモデルは、ＴＣ、ＦＬＣＦＰＬ、およびＣＷを含んでいた。この数式は、以下によって与えられる。
（８） ＦＭ＝（３６６．１４×ＴＣ）＋（７０５．５４×ＣＷ）−（３６５．１×ＦＬＣＦＰＬ）−１８４９６

【0084】

[0086] このモデルを研究母集団全体に適用すると、この犬の母集団の５０％でしか正しくＦＭが予測されなかった（ＤＥＸＡ値の±１０％以内）。

【0085】

[0087] 除脂肪体重の予測と同様、体脂肪の予測のために体重に基づいて犬を２つの別個のグループに分けることも有効であった。回帰分析に含まれる犬の中で体重が４０ポンド未満の犬全て、そして独立変数として含まれた体重によって、ＦＭを予測するために導出された最良のモデルには、ＢＬ、ＨＬＣＦＰＬ、ＦＬＣＦＰＷ、ＰＣ、ＴＣ、および前部体高（ＦＨ）が含まれた。この式は、以下によって与えられる。
（９） ＦＭ＝（１８５．２９×ＢＬ）−（１９３．５×ＨＬＣＦＰＬ）−（４９．７５×ＦＬＣＦＰＷ）＋（７９．９９×ＰＣ）＋１６２．５１×ＴＣ−（４９．７２×ＦＨ）−９１２９

【0086】

[0088] このモデルをしかるべき研究母集団に適用して、それぞれの犬母集団の１００％において正しく脂肪量ＦＭが予測された（ＤＥＸＡ値の±１０％以内）。

【0087】

[0089] 帰分析に含まれる犬の中で体重が４０ポンド未満の犬全てを用いて、そして独立変数としては重量を除外した場合、数式（９）が最良のモデルであることが分かり、予測した値が同一であることが分かった。

【0088】

[0090] 回帰分析に含まれる犬の中で体重が４０ポンド未満の犬全てを用いて、そして独立変数としては重量を除外した場合、ＦＭを予測するために導出された最良のモデルでは、ＢＷ、ＨＬＬ、ＨＬＣＦＰＬ、ＦＬＬ、およびＣＬ×ＨＣが含まれた。この数式は、以下によって与えられる。
（１０） ＦＭ＝（３０３．２５×ＢＷ）−（９１７．６×ＨＬＬ）−（３３９．５×ＨＬＣＦＰＬ）＋（２９８．２８×ＦＬＬ）−（６．６８×（ＣＬ×ＨＣ））＋１００６７

【0089】

[0091] このモデルをしかるべき研究母集団に適用して、それぞれの犬母集団の１００％において正しくＦＭが予測された（ＤＥＸＡ値の±１０％以内）。

【0090】

[0092] 同様に、回帰分析に含まれる犬の中で体重が４０ポンドよりも重い犬全てを用いて、そして独立変数としては重量を除外した場合、ＦＭを予測するために導出された最良のモデルでは、ＴＣ、ＰＣ、ＨＬＬ、およびＣＷが含まれた。この数式は、以下によって与えられる。
（１１） ＦＭ＝（３４３．１７×ＴＣ）＋（２３４．０１×ＰＣ）−（５６６．６×ＨＬＬ）＋（４６５．５９×ＣＷ）−３２２９１

【0091】

[0093] このモデルをしかるべき研究母集団に適用して、それぞれの犬母集団の６４％において正しくＦＭが予測された（ＤＥＸＡ値の±１０％以内）。

【0092】

[0094] 脂肪率も同様に計算することができる。回帰分析に含まれた犬全てを用いて、そして体重を独立変数として含めた場合、脂肪率（％脂肪）を予測するために導出された最良のモデルでは、ＢＬ、ＲＨ、ＴＣ、ＨＬＬ、ＣＷ、ＦＬＣＦＰＷ、およびＨＣが含まれた。この数式は、以下によって与えられる。
（１２） ％脂肪＝（０．４４×ＢＬ）＋（０．３４×ＲＨ）＋（０．８１×ＴＣ）−（４．２×ＨＬＬ）＋（０．９５×ＣＷ）−（０．９７×ＦＬＣＦＰＬ）−（１×ＨＣ）＋４７．８７

【0093】

[0095] このモデルを研究母集団全体に適用して、その犬母集団の８９％において正しく％脂肪が予測された（ＤＥＸＡ値の±１０％以内）。

【0094】

[0096] 回帰分析に含まれる全ての犬を用いて、そして独立変数としては重量を除外した場合、式（１２）が最良のモデルであることが分かり、予測された値が同じであることが分かった。

【0095】

[0097] 同様に、脂肪率の予測のために体重に基づいて犬を２つの別個のグループに分けることも有効であった。回帰分析に含まれる犬の中で体重が４０ポンド未満の犬全てを用いて、そして体重を独立変数として含めた場合、％脂肪を予測するために導出された最良のモデルには、年齢、ＰＣ、およびＨＷが含まれた。この式は、以下によって与えられる。
（１３） ％脂肪＝（１×ＰＣ）−（０．８９×年齢）−（３．９６×ＨＷ）＋３５．８１

【0096】

[0098] このモデルをしかるべき研究母集団に適用して、それぞれの犬母集団の７９％において正しく％脂肪が予測された（ＤＥＸＡ値の±１０％以内）。

【0097】

[0099] 回帰分析に含まれる犬の中で体重が４０ポンド未満の犬全てを用いて、そして独立変数としては重量を除外した場合、式（１３）が最良のモデルであることが分かり、予測された値が同じであることが分かった。

【0098】

[00100] 回帰分析に含まれる犬の中で体重が４０ポンドよりも重い犬全てを用いて、そして体重を独立変数としては除外した場合、％脂肪を予測するために導出された最良のモデルには、ＢＷ、ＦＬＬ、ＣＬ×ＨＣ、ＨＬＣＦＰＬ、およびＨＬＬが含まれた。この数式は、以下によって与えられる。
（１４） ％脂肪＝（０．２４×ＢＷ）＋（０．９６×ＦＬＬ）−（０．０１×（ＣＬ×ＨＣ））−（１．２７×ＨＬＣＦＰＬ）−（２．６２×ＨＬＬ）＋７９．５５

【0099】

[00101] このモデルをしかるべき研究母集団に適用して、それぞれの犬母集団の１００％において正しく％脂肪が予測された（ＤＥＸＡ値の±１０％以内）。

【0100】

[00102] 回帰分析に含まれる犬の中で体重が４０ポンドよりも重い犬全てを用いて、そして独立変数としては重量を除外した場合、％脂肪を予測するために導出された最良のモデルでは、ＰＣおよびＨＬＣＦＰＬが含まれた。この数式は、以下によって与えられる。
（１５） ％脂肪＝（０．３４×ＰＣ）−（１．１２×ＨＬＣＦＰＬ）＋４８．９３

【0101】

[00103] このモデルをしかるべき研究母集団に適用して、それぞれの犬母集団の８６％において正しく％脂肪が予測された（ＤＥＸＡ値の±１０％以内）。
第２モデル−骨格測定

【0102】

[00104] レントゲン撮影データは、骨格サイズ情報を提供し、除脂肪体重を予測するために回帰分析において用いられた。頭部、腹側−背側(ventral-dorsal)、および側方レントゲン撮影像から、以下を測定した。顔面長、頭蓋長、頭骨幅(skull width)、骨盤長、骨盤幅、頸骨長、頸骨直径、踵骨長、および踵骨隆起から中足骨の遠端までの長さである。これらの変数に加えて、回帰分析において以下の変数も含まれた。頭蓋長×頭部幅、骨盤長×骨盤幅、頸骨長×頸骨直径、頸骨面積、頸骨周囲、頸骨体積(tibia volume)、頸骨表面積、および頸骨総面積である。

【0103】

[00105] 回帰分析に含まれた全ての犬を用いて、そして体重を独立変数として含めた場合、除脂肪体重を予測するために導出された最良のモデルは、頭蓋長(cranL)、踵骨長(calL)、および体重を含んでいた。この数式は、以下によって与えられる。
（１６） ＬＢＭ＝（１６５．４２×ＢＷ）＋（２９９３．７２×ＣａｌＬ）−（４４２．０１×ｃｒａｎＬ）−４８１７．５２

【0104】

[00106] このモデルを研究母集団全体に適用して、その犬母集団の７２％において正しく除脂肪体重が予測された（ＤＥＸＡ値の±１０％以内）。

【0105】

[00107] 回帰分析に含まれる全ての犬を用いて、そして独立変数としては重量を除外した場合、除脂肪体重を予測するために導出された最良のモデルでは、ｃａｌＬ、頭部幅（ＨＷ）、および脛骨面積（ＴＡ）が含まれた。この数式は、以下によって与えられる。
（１７） ＬＢＭ＝（３１４７．１４×ｃａｌＬ）＋（１２２８．１７×ＨＷ）＋（２４．３９×ＴＡ）−１７１７１．７

【0106】

[00108] このモデルを研究母集団全体に適用して、その犬母集団の４７％でしか正しく除脂肪体重が予測されなかった（ＤＥＸＡ値の±１０％以内）。

【0107】

[00109] 同様に、除脂肪体重の予測のために体重に基づいて犬を２つの別個のグループに分けることも有効であった。回帰分析に含まれる犬の中で体重が４０ポンド未満の犬全てを用いて、そして体重を独立変数として含めた場合、除脂肪体重を予測するために導出された最良のモデルには、ｃｒａｎＬ、ＨＷ、ＢＷ、ｃｒａｎＬ×ＨＷ、骨盤長×骨盤幅（ＰＬ×ＰＷ）、および脛骨周囲（ＴＣ）が含まれた。この式は、以下によって与えられる。
（１８） ＬＢＭ＝（−３８４２．５１×ｃｒａｎＬ）−（２７３７．７１×ＨＷ）＋（８５．４８×ＢＷ）＋（４２２．５１×（ｃｒａｎＬ×ＨＷ））＋（１６．３３×（ＰＬ×ＰＷ））＋（７７．３７×ＴＣ）＋２３９４８．１３

【0108】

[00110] このモデルをしかるべき研究母集団に適用して、それぞれの犬母集団の１００％において正しく除脂肪体重が予測された（ＤＥＸＡ値の±１０％以内）。

【0109】

[00111] 回帰分析に含まれる犬の中で体重が４０ポンド未満の犬全てを用いて、そして独立変数としては重量を除外した場合、除脂肪体重を予測するために導出された最良のモデルでは、ｃｒａｎＬ×ＨＷおよびｃａｌＬが含まれた。この数式は、以下によって与えられる。
（１９） ＬＢＭ＝（５０．３８×（ｃｒａｎＬ×ＨＷ））＋（２８７４．９９×ｃａｌＬ）−７２０５．８２

【0110】

[00112] このモデルをしかるべき研究母集団に適用して、それぞれの犬母集団の５７％において正しく除脂肪体重が予測された（ＤＥＸＡ値の±１０％以内）。

【0111】

[00113] 回帰分析に含まれる犬の中で体重が４０ポンドよりも重い犬全てを用いて、そして独立変数として含まれた体重によって、除脂肪体重を予測するために導出された最良のモデルには、ｃｒａｎＬ、ｃａｌＬ、およびＢＷが含まれた。この数式は、以下によって与えられる。
（２０） ＬＢＭ＝（−７３４．０２×ｃｒａｎＬ）＋３４６０．６７×ｃａｌＬ）＋（１６９．４３×ＢＷ）−４５９１．５６

【0112】

[00114] このモデルをしかるべき研究母集団に適用して、それぞれの犬母集団の８６％において正しく除脂肪体重が予測された（ＤＥＸＡ値の±１０％以内）。

【0113】

[00115] 回帰分析に含まれる犬の中で体重が４０ポンドよりも重い犬全てを用いて、そして独立変数としては重量を除外した場合、除脂肪体重を予測するために導出された最良のモデルでは、ＨＷおよびｃａｌＬが含まれた。この数式は、以下によって与えられる。
（２１） ＬＢＭ＝（１５１３．３５×ＨＷ）＋（４７９０．３３×ｃａｌＬ）−２３１０２．８

【0114】

[00116] このモデルをしかるべき研究母集団に適用して、それぞれの犬母集団の７３％において正しく除脂肪体重が予測された（ＤＥＸＡ値の±１０％以内）。

【0115】

[00117] 注記すべきは、以上に説明したようにして、骨格サイズ・データおよび体重を用いた除脂肪体重の予測に最良の数式では、前述の変数の内８つを用いて、４０ポンド以下の犬については、０．９９のｒ^２および１００％の予測可能性（±１０％）が得られたということである。これら８つの変数は、頭蓋長、頭部幅、体重、頭蓋長×頭部幅、骨盤長×骨盤幅、および脛骨周囲である。骨格サイズ・データおよび体重を用いた除脂肪体重の予測に最良の数式では、３つの変数、即ち、頭蓋長、踵骨長、および体重を用いて、４０ポンドよりも重い犬について、０．９９のｒ^２、および８６％の予測可能性（±１０％）が得られた。

【0116】

[00118] 同様に、身体サイズ・データ、体重、および年齢を用いた除脂肪体重の予測に最良の数式では、前述の変数の内８つを用いて、４０ポンド以下の犬については、０．９９のｒ^２および１００％の予測可能性（±１０％）が得られた。これら８つの変数には、後肢長、踵骨幅、後肢中央足蹠幅、前肢長、頭蓋長×頭部周囲、体重、および年齢が含まれた。身体サイズ・データ、体重、および年齢を用いた除脂肪体重の予測に最良の数式では、前述の変数の内７つ、即ち、後肢長、後肢中央足蹠長、前肢長、頭蓋長、頭蓋長×頭部周囲、体重、および年齢を用いて、４０ポンドよりも重い犬については、０．９９のｒ^２および１００％の予測可能性（±１０％）が得られた。

【0117】

[00119] 同様に、脂肪量の予測に最良の数式では、体長、前部体高、胸囲、骨盤周囲、後肢中央足蹠長、および前肢中央足蹠幅を用いて、４０ポンド以下の犬については、０．９９のｒ^２および１００％の予測可能性（±１０％）が得られた。脂肪量の予測に最良の数式では、後肢長、後肢中央足蹠長、前肢長、頭蓋長×頭部周囲、および体重を用いて、４０ポンドよりも重い犬については、０．９７のｒ^２および１００％の予測可能性（±１０％）が得られた。

【0118】

[00120] この研究の結果は注目に値することが判明した。第１に、物理的に測定可能な属性と、既に肥満になっている犬の体脂肪率との間に相関が存在することが判定された。これによって、本研究が、臨床的に測定可能な属性の内どれが、脂肪量または除脂肪体重の正確な予測と最も強い相関を示すのか判定するために、多重回帰分析を特定の動物カテゴリに適用することが可能になる。実際、この種の分析は、動物専門家に正確な食物管理計画および健康的な食餌療法を動物のために考案するための、実用的でしかも有効なツールを与える。
実施例２

【0119】

[00121] 身体組成が太りすぎから病的肥満までにわたる３７頭の成猫を評価した。以下の測定および手順を行った。体重、触診および視覚評価、ディジタル写真撮影（前、後ろ、横、そして上から）、身体サイズおよび形状測定、レントゲン撮影（頭部、胸部、および臀部）、ならびにＤＥＸＡである。

【0120】

[00122] 除脂肪体重、体脂肪量、および体脂肪率は、ＤＥＸＡによって判定された。このデータは、体形測定、骨格測定、体重、年齢、性別、および避妊状態から得られた独立変数を用いることによって、身体組成（除脂肪体重、体脂肪量、および体脂肪率）を予測するための従属変数を与えることによって、他の方法を評価するために用いられた。このように、除脂肪体重、体脂肪量、および体脂肪率を予測するための数式を導出した。２つの別個のモデルを適用した。第１モデルは、体形測定を用いた回帰分析から導出した。第２モデルは、骨格測定を用いた回帰分析から導出した。
第１モデル：体形測定

【0121】

[00123] 身体サイズおよび形状（体形測定）を回帰分析において用いて、身体組成を予測する。この分析において用いた変数には、体長、前部体高、後部体高、胸囲、骨盤周囲、前肢長、後肢長、中央足蹠長、中央足蹠幅、踵骨幅、頭部幅、頭部周囲、顔面長、および頭蓋長であった。回帰分析に含まれた他の変数は、年齢、性別、および避妊状態であった。

【0122】

[00124] 段階的多重回帰分析を用いて、どの体形変数から、除脂肪体重、体脂肪量、および体脂肪率の最良の推定値がＤＥＸＡによって得られたか判定を行った。

【0123】

[00125] 回帰分析に含まれた全ての猫によって、除脂肪体重を予測するために導出された最良のモデルは、以下のパラメータを含んでいた。頭部周囲（ＨＣ）、前肢長（ＦＬＬ）、前肢周囲（ＦＬＣ）、および後肢中央足蹠長（ＨＬＣＦＰＷ）。この式において、除脂肪体重をＬＢＭで表すと、
（２２） ＬＢＭ＝（−５２７０）＋（１４７×ＨＣ）＋（２４８×ＦＬＬ）＋（３１７×ＦＬＣ）−（１０３×ＨＬＣＦＰＷ）

【0124】

[0126] 脂肪量も同様に計算することができる。回帰分析に含まれた全ての猫、そして体重を独立変数として含めた場合、脂肪量（ＦＭ）を予測するために導出された最良のモデルは、体重（ＢＷ）、頭部周囲（ＨＣ）、後肢長（ＨＬＬ）、および前肢周囲（ＦＬＣ）を含んでいた。この数式は、以下によって与えられる。
（２３） ＦＭ＝（４９１０）＋（４３８×ＢＷ）−（２９６×ＨＬＬ）−（２０６×ＦＬＣ）
第２モデル−骨格測定

【0125】

[00127] レントゲン撮影データは、骨格サイズ情報を提供し、除脂肪体重を予測するために回帰分析において用いられた。頭部、腹側皮質(ventral-dorsal)、および側方レントゲン撮影像から、以下を測定した。頭骨長、頭骨幅(skull width)、 頭部長、頭部幅、回腸稜線から座骨の後端縁までの長さ、左右の座骨隆起間の幅、頸骨長、頸骨直径、踵骨長、踵骨長、および踵骨隆起から中足骨の遠端までの長さ。

【0126】

[00128] 回帰分析に含まれた全ての猫を用いて、そして性別を独立変数として含んだ場合、除脂肪体重を予測するために導出された最良のモデルは、性別（Ｇ）、頭部幅（ＨＷ）、骨盤長（ＰＬ）、踵骨長（ｃａｌＬ）、および踵骨隆起長（ｃａｌＴＬ）というパラメータを含んでいた。この数式は、以下によって与えられる。
（２４） ＬＢＭ＝−４６３０＋３０１×Ｇ＋３５８×ＨＷ＋３５５×ＰＬ−２２４０×ｃａｌＬ＋８７１×ｃａｌＴＬ

【図1】

【図2】

【図3】

【図4】

【図5】