特開2022-164013健診システム、健診結果処理プログラム、および、健診結果処理方法
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2022164013
(43)【公開日】2022-10-27
(54)【発明の名称】健診システム、健診結果処理プログラム、および、健診結果処理方法
(51)【国際特許分類】
G16H 50/30 20180101AFI20221020BHJP
【ＦＩ】
G16H50/30
【審査請求】未請求
【請求項の数】11
【出願形態】ＯＬ
(21)【出願番号】P 2021069210
(22)【出願日】2021-04-15
(71)【出願人】
【識別番号】320011683
【氏名又は名称】富士フイルムヘルスケア株式会社
(74)【代理人】
【識別番号】110000888
【氏名又は名称】特許業務法人 山王坂特許事務所
(72)【発明者】
【氏名】高田 知里
(72)【発明者】
【氏名】白旗 崇
(72)【発明者】
【氏名】井上 敦詞
【テーマコード（参考）】
5L099
【Ｆターム（参考）】
5L099AA15
(57)【要約】 （修正有）
【課題】特殊な計測をせずに既存の健康診断の情報を用いて、被検者の将来のリスクを予測し、被検者自身が自分の将来像を想定しやすい方法で提示する健診システムを提供する。
【解決手段】予測した身体活動レベルと、アクションプランとを対応させたレポートを作成し、被検者に提示する健診システム１０１であって、検査情報取得部３と、将来予測部４と、アクションプラン作成部５と、アクションプランデータベース６と、レポート作成部７、とを備える。検査情報取得部３は、被検者の所定の項目の健康診断検査結果を読み出す。将来予測部４は、身体活動レベルを予測する。アクションプラン作成部５は、将来予測部４で得られた将来予測結果に基づいて、被検者が取るべきアクションプランを作成する。
【選択図】図１
【解決手段】予測した身体活動レベルと、アクションプランとを対応させたレポートを作成し、被検者に提示する健診システム１０１であって、検査情報取得部３と、将来予測部４と、アクションプラン作成部５と、アクションプランデータベース６と、レポート作成部７、とを備える。検査情報取得部３は、被検者の所定の項目の健康診断検査結果を読み出す。将来予測部４は、身体活動レベルを予測する。アクションプラン作成部５は、将来予測部４で得られた将来予測結果に基づいて、被検者が取るべきアクションプランを作成する。
【選択図】図１
【特許請求の範囲】
【請求項1】
健康診断結果が格納された記憶装置から、被検者の所定の項目の検査結果を読み出す検査情報取得部と、
前記被検者の将来の身体活動レベルを予測する将来予測部と、
前記被検者が取るべきアクションプランを作成するアクションプラン作成部と、
前記被検者に提示するレポートを作成するレポート作成部とを有し、
前記将来予測部は、学習済みの学習モデルを含み、前記学習モデルに前記所定の項目の検査結果を入力し、前記学習モデルによって予測された前記被検者の将来の身体活動レベルを受け取り、
前記アクションプラン作成部は、予め複数のアクションプランが複数の前記身体活動レベルごとに格納されたアクションプランデータベースを含み、前記将来予測部が予測した前記被検者の将来の身体活動レベルに対応するアクションプランを選択し、
前記レポート作成部は、前記将来予測部が予測した前記身体活動レベルと、前記アクションプラン作成部が選択したアクションプランとを対応させて表示するレポートを作成することを特徴とする健診システム。
前記被検者の将来の身体活動レベルを予測する将来予測部と、
前記被検者が取るべきアクションプランを作成するアクションプラン作成部と、
前記被検者に提示するレポートを作成するレポート作成部とを有し、
前記将来予測部は、学習済みの学習モデルを含み、前記学習モデルに前記所定の項目の検査結果を入力し、前記学習モデルによって予測された前記被検者の将来の身体活動レベルを受け取り、
前記アクションプラン作成部は、予め複数のアクションプランが複数の前記身体活動レベルごとに格納されたアクションプランデータベースを含み、前記将来予測部が予測した前記被検者の将来の身体活動レベルに対応するアクションプランを選択し、
前記レポート作成部は、前記将来予測部が予測した前記身体活動レベルと、前記アクションプラン作成部が選択したアクションプランとを対応させて表示するレポートを作成することを特徴とする健診システム。
【請求項2】
請求項１に記載の健診システムであって、
前記検査情報取得部は、前記被検者の前記所定の項目の検査結果として、血液検査結果および／または尿検査結果を読み出し、
前記将来予測部は、前記身体活動レベルとして、「寝たきり」、「車いす」、「杖が必要」、「歩行可能」を４段階のレベルのいずれに該当するかを予測することを特徴とする健診システム。
前記検査情報取得部は、前記被検者の前記所定の項目の検査結果として、血液検査結果および／または尿検査結果を読み出し、
前記将来予測部は、前記身体活動レベルとして、「寝たきり」、「車いす」、「杖が必要」、「歩行可能」を４段階のレベルのいずれに該当するかを予測することを特徴とする健診システム。
【請求項3】
請求項２に記載の健診システムであって、前記将来予測部は、前記被検者の将来に必要な医療費および／または介護費の累計コストを予測することを特徴とする健診システム。
【請求項4】
請求項２に記載の健診システムであって、前記アクションプランデータベースには、前記累計コストと複数の前記身体活動レベルの組み合わせごとに、アクションプランが予め格納され、
前記アクションプラン作成部は、前記将来予測部が予測した前記被検者の将来の前記累計コストと前記身体活動レベルの組み合わせに対応するアクションプランを選択することを特徴とする健診システム。
前記アクションプラン作成部は、前記将来予測部が予測した前記被検者の将来の前記累計コストと前記身体活動レベルの組み合わせに対応するアクションプランを選択することを特徴とする健診システム。
【請求項5】
請求項２に記載の健診システムであって、
前記検査情報取得部が前記記憶装置から読み出す前記被検者の所定の項目の検査結果には、前記被検者の所定の領域の２次元または３次元の画像が含まれ、
前記検査情報取得部は、前記画像から前記被検者を構成する内臓および／または組織のうちの所定の構成の特徴量を演算により求めるか、または、外部の演算装置に前記特徴量を演算させて、演算結果を受け取り、
前記将来予測部は、前記身体活動レベルとして、前記「寝たきり」、「車いす」、「杖が必要」、「歩行可能」の４段階のレベルのいずれかに該当するか、に加えて、将来の脊椎湾曲の形状、および／または、ロコモティブシンドローム発症リスクの予め定めた複数のレベルのいずれに該当するかを予測することを特徴とする健診システム。
前記検査情報取得部が前記記憶装置から読み出す前記被検者の所定の項目の検査結果には、前記被検者の所定の領域の２次元または３次元の画像が含まれ、
前記検査情報取得部は、前記画像から前記被検者を構成する内臓および／または組織のうちの所定の構成の特徴量を演算により求めるか、または、外部の演算装置に前記特徴量を演算させて、演算結果を受け取り、
前記将来予測部は、前記身体活動レベルとして、前記「寝たきり」、「車いす」、「杖が必要」、「歩行可能」の４段階のレベルのいずれかに該当するか、に加えて、将来の脊椎湾曲の形状、および／または、ロコモティブシンドローム発症リスクの予め定めた複数のレベルのいずれに該当するかを予測することを特徴とする健診システム。
【請求項6】
請求項５に記載の健診システムであって、前記アクションプランデータベースには、前記ロコモティブシンドローム発症リスクの複数のレベルに対応するアクションプランと、前記累計コストと複数の前記身体活動レベルの組み合わせに対応するアクションプランが予め格納され、
前記アクションプラン作成部は、前記将来予測部が予測した前記被検者の将来の前記ロコモティブシンドローム発症リスクのレベルに対応するアクションプランと、前記累計コストと前記身体活動レベルの組み合わせに対応するアクションプランをそれぞれ選択することを特徴とする健診システム。
前記アクションプラン作成部は、前記将来予測部が予測した前記被検者の将来の前記ロコモティブシンドローム発症リスクのレベルに対応するアクションプランと、前記累計コストと前記身体活動レベルの組み合わせに対応するアクションプランをそれぞれ選択することを特徴とする健診システム。
【請求項7】
請求項５に記載の健診システムであって、前記検査情報取得部は、前記画像から椎体領域、所定の位置の被検者の筋肉、および、所定の位置の被検者の脂肪領域のうちの少なくとも一つを２次元または３次元に抽出することを特徴とする健診システム。
【請求項8】
請求項７に記載の健診システムであって、前画像は、X線CT画像であり、前記検査情報取得部は、前記X線CT画像から椎体領域、所定の位置の被検者の筋肉、および、所定の位置の被検者の脂肪領域のうちの少なくとも一つのＣＴ値を抽出することを特徴とする健診システム。
【請求項9】
請求項１に記載の健診システムであって、前記将来予測部は、前記被検者について予測した前記身体活動レベルを接続されている記憶部に格納し、今回の健康診断結果に基づいて前記身体活動レベルを予測した後、同じ前記被検者について前回の健康診断結果に基づいて算出した前記身体活動レベルを前記接続されている記憶部から読み出し、今回と前回の前記身体活動レベルの差を算出し、前記レポート作成部に出力することを特徴とする健診システム。
【請求項10】
コンピュータに、
健康診断結果が格納された記憶装置から、被検者の所定の項目の検査結果を読み出す第１ステップと、
前記被検者の将来の身体活動レベルを予測する第2ステップと、
前記被検者が取るべきアクションプランを作成する第３ステップと、
前記被検者に提示するレポートを作成する第４ステップとを実行させる健診結果処理プログラムであって、
前記第2ステップでは、学習済みの学習モデルに前記所定の項目の検査結果を入力し、前記学習モデルによって予測された前記被検者の将来の身体活動レベルを受け取り、
前記第3ステップでは、予め複数のアクションプランが複数の前記身体活動レベルごとに格納されたアクションプランデータベースから、前記予測した前記被検者の将来の身体活動レベルに対応するアクションプランを選択し、
前記第4ステップでは、前記第2ステップで予測した前記身体活動レベルと、前記第3ステップで選択したアクションプランとを対応させて表示するレポートを作成することを特徴とする健診結果処理プログラム。
健康診断結果が格納された記憶装置から、被検者の所定の項目の検査結果を読み出す第１ステップと、
前記被検者の将来の身体活動レベルを予測する第2ステップと、
前記被検者が取るべきアクションプランを作成する第３ステップと、
前記被検者に提示するレポートを作成する第４ステップとを実行させる健診結果処理プログラムであって、
前記第2ステップでは、学習済みの学習モデルに前記所定の項目の検査結果を入力し、前記学習モデルによって予測された前記被検者の将来の身体活動レベルを受け取り、
前記第3ステップでは、予め複数のアクションプランが複数の前記身体活動レベルごとに格納されたアクションプランデータベースから、前記予測した前記被検者の将来の身体活動レベルに対応するアクションプランを選択し、
前記第4ステップでは、前記第2ステップで予測した前記身体活動レベルと、前記第3ステップで選択したアクションプランとを対応させて表示するレポートを作成することを特徴とする健診結果処理プログラム。
【請求項11】
健康診断結果が格納された記憶装置から、被検者の所定の項目の検査結果を読み出す第１ステップと、
前記被検者の将来の身体活動レベルを予測する第2ステップと、
前記被検者が取るべきアクションプランを作成する第３ステップと、
前記被検者に提示するレポートを作成する第４ステップとを含む健診結果処理方法であって、
前記第2ステップでは、学習済みの学習モデルに前記所定の項目の検査結果を入力し、前記学習モデルによって予測された前記被検者の将来の身体活動レベルを受け取り、
前記第3ステップでは、予め複数のアクションプランが複数の前記身体活動レベルごとに格納されたアクションプランデータベースから、前記予測した前記被検者の将来の身体活動レベルに対応するアクションプランを選択し、
前記第4ステップでは、前記第2ステップで予測した前記身体活動レベルと、前記第3ステップで選択したアクションプランとを対応させて表示するレポートを作成することを特徴とする健診結果処理方法。
前記被検者の将来の身体活動レベルを予測する第2ステップと、
前記被検者が取るべきアクションプランを作成する第３ステップと、
前記被検者に提示するレポートを作成する第４ステップとを含む健診結果処理方法であって、
前記第2ステップでは、学習済みの学習モデルに前記所定の項目の検査結果を入力し、前記学習モデルによって予測された前記被検者の将来の身体活動レベルを受け取り、
前記第3ステップでは、予め複数のアクションプランが複数の前記身体活動レベルごとに格納されたアクションプランデータベースから、前記予測した前記被検者の将来の身体活動レベルに対応するアクションプランを選択し、
前記第4ステップでは、前記第2ステップで予測した前記身体活動レベルと、前記第3ステップで選択したアクションプランとを対応させて表示するレポートを作成することを特徴とする健診結果処理方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、被検者の健診結果に基づいたリスク予測結果及びその対策方法を提示するシステムに関する。
【背景技術】
【0002】
近年の高齢化の急速な進行に伴い、運動器の障害により自立歩行できない高齢者が増加しているという社会課題がある。例えば、加齢に伴う筋力の低下や、関節や脊椎の病気、および、骨粗しょう症などにより、運動器の機能が衰えて、要介護や寝たきりになってしまうことがある。また、運動器の機能が衰えるリスクの高い状態を表すロコモティブシンドローム（以下、ロコモ）や、加齢によって筋肉量が少なくなり、全身の筋力が低下する状態を表すサルコペニアも知られている。近年、ロコモやサルコペニアを予防するために、様々な計測機器から取得した生体情報や各個人の生活習慣情報等を、複合的に活用したリスク推定が行われている。
【0003】
特許文献１には、被検者の姿勢（「頭」、「首」、「腰」、「足」の座標）と、外的要因（「歩行速度」、「歩幅」、「歩隔」、「歩行角度」）の特徴を取得し、転倒リスクや認知症になるリスクを数値で被検者へ提示するシステムが提案されている。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特開２０２０－１４６４３５号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
特許文献１には、被検者の姿勢（「頭」、「首」、「腰」、「足」の座標）と、外的要因（「歩行速度」、「歩幅」、「歩隔」、「歩行角度」）を定期検診で収集すると記載されているが、具体的な収集方法については記載されていない。そのため、対象者の歩行時の映像を撮影する等して、「頭」、「首」、「腰」、「足」の座標を抽出したり、「歩行速度」、「歩幅」、「歩隔」、「歩行角度」を算出したりする特別な計測を、定期検診で行う必要があるものと推測される。このような計測は、通常の健康診断では行わない計測であるため、通常の健康診断で行おうとした場合には、特別な計測項目を新たに設ける必要がある。
【0006】
また、ロコモやサルコペニアを予防するためには、被検者が日常の行動や生活習慣に注意する必要があるため、被検者に対して、転倒リスクや認知症になるリスク等と、そのリスクを回避するために日常生活においてとるべきアクション（運動や体操や栄養上の注意等）をわかりやすく伝え、かつ、アクションを実行するやる気を出させることが重要である。しかしながら、特許文献１のようにリスクの予測結果を数値で表すシステムの場合、被検者にとって直感的な把握が困難であるとともに、次にとるべきアクションの情報も受け取ることができない。そのため、予測結果を日常生活に生かして、将来の転倒リスクや認証になるリスクを低減させる効果を高める技術が望まれる。
【0007】
本発明の目的は、特殊な計測をせずに既存の健康診断の情報を用いて、被検者の将来のリスクを予測し、被検者自身が自分の将来像を想定しやすい方法で提示することにある。
【課題を解決するための手段】
【0008】
上記目的を達成するために、本発明は、健康診断結果が格納された記憶装置から、被検者の所定の項目の検査結果を読み出す検査情報取得部と、被検者の将来の身体活動レベルを予測する将来予測部と、被検者が取るべきアクションプランを作成するアクションプラン作成部と、被検者に提示するレポートを作成するレポート作成部とを有する健診システムを提供する。将来予測部は、学習済みの学習モデルを含み、学習モデルに所定の項目の検査結果を入力し、学習モデルによって予測された被検者の将来の身体活動レベルを受け取る。アクションプラン作成部は、予め複数のアクションプランが複数の身体活動レベルごとに格納されたアクションプランデータベースを含み、将来予測部が予測した被検者の将来の身体活動レベルに対応するアクションプランを選択する。レポート作成部は、将来予測部が予測した身体活動レベルと、アクションプラン作成部が選択したアクションプランとを対応させて表示するレポートを作成する。
【発明の効果】
【0009】
本発明によれば、特殊な計測をせず既存の健康診断の検査情報を用いて被検者の将来予測を行い、将来像を身体活動レベルという想定しやすいレベルで被検者に提示でき、尚且つ被検者に具体的なアクションプランを提案することができるため、被検者が自身のリスクを直感的に把握することができる。
【図面の簡単な説明】
【0010】
【図1】本発明の実施形態の健診システムの機能ブロック図である。
【図2】本発明の実施形態の健診システムのハードウエア構成を示すブロック図である。
【図3】実施形態１の健診システムの処理の流れを示すフローチャートである。
【図4】実施形態１の健診システムの処理の流れを示すフローチャートである。
【図5】実施形態１の健診システムの処理の流れを示すフローチャートである。
【図6】実施形態１の健診システムの処理の流れを示すフローチャートである。
【図7】実施形態１の健診システムの処理の流れを示すフローチャートである。
【図8】実施形態１の健診システムのレポートに用いる身体活動レベルを示すアイコンの説明図である。
【図9】実施形態１の健診システムのアクションプランデータベース６内のテーブルの例である。
【図10】実施形態１の健診システムのレポートの例を示す説明図である。
【図11】実施形態２の健診システムの処理の流れを示すフローチャートである。
【図12】実施形態２の健診システムの処理の流れを示すフローチャートである。
【図13】実施形態２の健診システムの処理の流れを示すフローチャートである。
【図14】実施形態２の健診システムの処理の流れを示すフローチャートである。
【図15】実施形態２の健診システムの処理の流れを示すフローチャートである。
【図16】実施形態２の健診システムの脊椎湾曲予測モデルの予測結果の例を示す説明図である。
【図17】実施形態２の健診システムのレポートに用いるロコモ発症リスクのレベル示すアイコン説明図である。
【図18】実施形態２の健診システムのアクションプランデータベース６内のテーブルの例である。
【図19】実施形態２の健診システムのレポートの例を示す説明図である。
【図20】実施形態３の健診システムの処理の流れを示すフローチャートである。
【図21】実施形態３の健診システムのレポートの例を示す説明図である。
【発明を実施するための形態】
【0011】
以下、本発明の実施形態について図面を用いて説明する。
【0012】
【0013】
図１、図２に示すように、本実施形態の健診システム１０１は、将来予測及び提示システム１とリスク予測モデル学習システム２とを備えて構成される。将来予測及び提示システム１とリスク予測モデル学習システム２は、図２に示すように施設内ネットワーク１０３に接続され、施設内ネットワーク１０３を介して、健康診断結果が格納されている医療情報ストレージ１０５や、その管理を行う医療情報システム１０４に接続されている。また、施設内ネットワーク１０３には、健診項目の検査を行う装置、例えば血液・尿検査装置１２５や、Ｘ線CT装置１２６やMRI装置や超音波撮像装置等の撮像装置が接続されている。また、健診システム１０１は、外部ネットワーク１２０を介して、過去の大勢の被検者の健康診断結果等が蓄積された大規模健診結果データベース１２１と、スマートフォン等の被検者端末１２２に接続されている。
【0014】
まず、図１を用いて、将来予測及び提示システム１とリスク予測モデル学習システム２の機能について説明する。
【0015】
将来予測及び提示システム１は、検査情報取得部３と、将来予測部４と、アクションプラン作成部５と、アクションプランデータベース６と、レポート作成部７とを備える。リスク予測モデル学習システム２は、学習用データ収集部８と、学習用データベース９と、モデル学習部１０とを備える。
【0016】
将来予測及び提示システム１において、検査情報取得部３は、健康診断結果が格納された医療情報ストレージ１０５から、被検者の所定の項目の検査結果を読み出し、その検査結果を将来予測部４に入力する。
【0017】
将来予測部４は、リスク予測モデル学習システム２が生成した学習済みの学習モデルを用いて、被検者の将来リスク予測として、少なくとも将来の身体活動レベルを予測する。具体的には、将来予測部４は、学習モデルに検査情報取得部３が取得した所定の項目の検査結果を入力し、学習モデルによって予測された被検者の将来の身体活動レベル等を受け取る。
【0018】
アクションプラン作成部５では、将来予測部４で得られた将来予測結果に基づいて、被検者が取るべきアクションプランを作成する。アクションプランデータベース６には、予め複数のアクションプランが身体活動レベルごとに格納されている。アクションプラン作成部５は、将来予測部４が予測した被検者の将来の身体活動レベルに対応するアクションプランをアクションプランデータベース６から選択する。
【0019】
すなわち、レポート作成部７では、被検者に提示するレポートを作成する。レポート作成部７は、将来予測部が予測した身体活動レベル等の予測結果と、アクションプラン作成部５が選択したアクションプランとを対応させて表示するレポートを、予め定めた形式で生成し、出力する。
【0020】
リスク予測モデル学習システム２において、学習用データ収集部８は、大規模健診結果データベース１２１から大勢の被検者の所定の項目の検査結果と、それらの被検者の身体活動レベル等を示す情報（学習用データ）を収集し、それらの情報を学習用データベース９に格納する。モデル学習部１０は、学習用データベース９に格納された情報を用いて、学習モデルの学習を行って、将来予測部４が用いる学習済み学習モデルを生成する。
【0021】
図２を用いて、将来予測及び提示システム１とリスク予測モデル学習システム２のハードウエア構成について説明する。
【0022】
将来予測及び提示システム１とリスク予測モデル学習システム２は、ＣＰＵ１０６と、主メモリ１０７と、記憶装置１０８と、学習用データベース９と、通信装置１１５と、共通バス１１６と、表示メモリ１０９と、表示装置１１０と、コントローラ１１１と、マウス１１２と、キーボード１１３と、印刷装置１１４とを備える。
【0023】
記憶装置１０８には、学習用データ収集プログラム１２３と、モデル学習プログラムと、将来予測プログラム１１７と、アクションプラン作成プログラム１１８と、レポート作成プログラム１１９と、オペレーティングシステム（ＯＳ）と、周辺機器のデバイスドライブ用プログラム等が予め格納されている。
【0024】
ＣＰＵ１０６は、共通バス１１６によって、他の構成要素と接続されている。ＣＰＵ１０６は、記憶装置１０８から学習用データ収集プログラム１２３、モデル学習プログラム、将来予測プログラム１１７、アクションプラン作成プログラム１１８、および、レポート作成プログラム１１９を読み出し、主メモリ１０７に展開等することにより、これらを実行し、ソフトウェアにより、学習用データ収集部８、モデル学習部１０、将来予測部４、アクションプラン作成部５、および、レポート作成部７の機能を実現する。
【0025】
また、ＣＰＵ１０６は、主メモリ１０７、記憶装置１０８、表示メモリ１０９、コントローラ１１１、キーボード１１３、印刷装置１１４、及び通信装置１１５の各構成要素の動作を制御する。主メモリ１０７は、制御プログラムの格納領域、またはプログラム実行時の作業領域として用いられる。表示装置１１０は、表示メモリ１０９から受け取ったデータに基づいて、表示装置１１０に画像を表示する。マウス１１２とキーボード１１３は、操作者のための入力装置である。コントローラ１１１は、マウス１１２のマウスポインタの位置を含む信号をＣＰＵ１０６に出力する等して、マウス１１２による操作者の入力操作を可能にする。印刷装置１１４は、レポートを出力する。通信装置１１５は、施設内ネットワーク１０３や外部ネットワーク１２０に接続されている。
【0026】
医療情報システム１０４は、電子カルテや画像管理システム等の既存のシステムであり、電子カルテのデータや、Ｘ線ＣＴ装置等の撮像装置で撮像された画像データや、血液・尿検査装置の検査結果データ等の健診結果データを受け取って医療情報ストレージ１０５に格納する。
【0027】
[[実施形態１]]
次に、本発明の実施形態１について図３～図７のフローチャートと、図８～図１０を用いて説明する。図８は、身体活動レベルをレポートで直観的に提示するためのアイコンであり、図９は、アクションプランデータベース６内に格納されたテーブルの一例を示す。図１０は、レポートの一例を示す。
次に、本発明の実施形態１について図３～図７のフローチャートと、図８～図１０を用いて説明する。図８は、身体活動レベルをレポートで直観的に提示するためのアイコンであり、図９は、アクションプランデータベース６内に格納されたテーブルの一例を示す。図１０は、レポートの一例を示す。
【0028】
まず、図３を用いて、将来予測及び提示システム１の処理について説明する。
【0029】
＜＜ステップＳ１＞＞
ステップＳ１では、検査情報取得部３は、被検者の身長・体重・ＢＭＩ・血液検査結果・尿検査結果等の検査情報を医療情報ストレージ１０５から取得する。血液検査結果と尿検査結果は、骨代謝マーカーである血清ＢＡＰ、血清Ｐ１ＮＰ、血清ＮＴＸ、血清ＣＴＸ、血清ＴＲＡＣＰ－５ｂ、血清ｕｃＯＣ、尿ＤＰＤ、尿ＮＴＸ、および、尿ＣＴＸを用いる（「骨粗鬆症の予防と治療のガイドライン２０１５年版」を参照）。尚、検査情報取得部３が検査情報として取得する項目については、上記に限定されるものではなく、必要に応じて上記項目の一部のみを用いてもよいし、他の項目を追加してもよい。
ステップＳ１では、検査情報取得部３は、被検者の身長・体重・ＢＭＩ・血液検査結果・尿検査結果等の検査情報を医療情報ストレージ１０５から取得する。血液検査結果と尿検査結果は、骨代謝マーカーである血清ＢＡＰ、血清Ｐ１ＮＰ、血清ＮＴＸ、血清ＣＴＸ、血清ＴＲＡＣＰ－５ｂ、血清ｕｃＯＣ、尿ＤＰＤ、尿ＮＴＸ、および、尿ＣＴＸを用いる（「骨粗鬆症の予防と治療のガイドライン２０１５年版」を参照）。尚、検査情報取得部３が検査情報として取得する項目については、上記に限定されるものではなく、必要に応じて上記項目の一部のみを用いてもよいし、他の項目を追加してもよい。
【0030】
＜＜ステップＳ２＞＞
ステップＳ２では、将来予測部４は、ステップＳ１で取得された検査情報を用いて将来予測を行う。実施形態１では、被検者の将来の身体活動レベルと累計コストを予測する。身体活動レベルとしては、図8、図９に示すように、「寝たきり」、「車いす」、「杖が必要」、「歩行可能」を４段階のレベルのいずれかに該当するかを予測する。累計コストとしては、被検者の将来に必要な医療費および／または介護費の累計コストを予測する。これらについては、図４等を用いて後で詳しく説明する。
ステップＳ２では、将来予測部４は、ステップＳ１で取得された検査情報を用いて将来予測を行う。実施形態１では、被検者の将来の身体活動レベルと累計コストを予測する。身体活動レベルとしては、図8、図９に示すように、「寝たきり」、「車いす」、「杖が必要」、「歩行可能」を４段階のレベルのいずれかに該当するかを予測する。累計コストとしては、被検者の将来に必要な医療費および／または介護費の累計コストを予測する。これらについては、図４等を用いて後で詳しく説明する。
【0031】
＜＜ステップＳ３＞＞
ステップＳ３では、アクションプラン作成部５が、ステップＳ２で将来予測部４が予測した身体活動レベルと累計コストの予測結果から、被検者の具体的なアクションプランを作成する。アクションプランは、図１のアクションプランデータベース６内に予め格納されているアクションプランから最適なものを取得する。
ステップＳ３では、アクションプラン作成部５が、ステップＳ２で将来予測部４が予測した身体活動レベルと累計コストの予測結果から、被検者の具体的なアクションプランを作成する。アクションプランは、図１のアクションプランデータベース６内に予め格納されているアクションプランから最適なものを取得する。
【0032】
アクションプランデータベース６には、例えば、図９に一例を示したように、累計コストと複数の身体活動レベルの組み合わせごとに、アクションプランが予めテーブル等の形式により格納されている。アクションプラン作成部５は、将来予測部４が予測した被検者の将来の累計コストと身体活動レベルの組み合わせに対応するアクションプランを図９のテーブルから選択することにより、アクションプランを選択する。アクションプランとしては、将来の身体活動レベルを向上させ、累計コストを低減するために、被検者に適した運動や栄養摂取をお勧めするプランであり、例えば、ウオーキング３０分／日や、ラジオ体操1回／日や、筋トレ3回／週等が設定されている。
【0033】
＜＜ステップＳ４＞＞
ステップＳ４では、レポート作成部７は、ステップＳ２とステップＳ３において、将来予測部４が予測した身体活動レベルおよび累計コストと、アクションプラン作成部５が選択したアクションプランとを対応させて表示するレポートを作成する。
ステップＳ４では、レポート作成部７は、ステップＳ２とステップＳ３において、将来予測部４が予測した身体活動レベルおよび累計コストと、アクションプラン作成部５が選択したアクションプランとを対応させて表示するレポートを作成する。
【0034】
図１０に、レポートの一例を示す。図１０の例では、身体活動レベルが、図８に示したアイコンと文字によって「寝たきり」、「車いす」、「杖が必要」、「歩行可能」のいずれであるか直観的にわかりやすく表示されている。また、身体活動レベルと累計コストに対応する、アクションプランが、「おすすめのアクションプラン」として表示されている。さらに、健康診断の血液と尿検査の結果も表示されている。
【0035】
このレポートは、印刷装置１１４で印刷することにより紙媒体で出力してもよいし、被検者が所有する端末（スマートフォン、タブレット、ＰＣ等）１２２に電子データとして送付等することにより出力してもよい。
【0036】
【0037】
＜ステップＳ２１＞
ステップＳ２１では、将来予測部４は、リスク予測モデル学習システム２が生成した身体活動レベル予測用学習モデルを用いて、身体活動レベル予測を行う。
ステップＳ２１では、将来予測部４は、リスク予測モデル学習システム２が生成した身体活動レベル予測用学習モデルを用いて、身体活動レベル予測を行う。
【0038】
＜ステップＳ２２＞
ステップＳ２２では、将来予測部４は、リスク予測モデル学習システム２が生成した累計コスト予測用学習モデルを用いて、累計コストの予測を行う。
ステップＳ２２では、将来予測部４は、リスク予測モデル学習システム２が生成した累計コスト予測用学習モデルを用いて、累計コストの予測を行う。
【0039】
＜＜学習モデルの生成＞＞
ここで、図５を用いて、リスク予測モデル学習システム２による、身体活動レベル予測用学習モデルと、累計コスト予測用学習モデルの生成処理について説明する。身体活動レベル予測用学習モデルと、累計コスト予測用学習モデルは、公知のニューラルネットワーク等の学習モデルを機械学習アルゴリズムのうち、教師あり学習の手法を用いて事前に学習させることにより生成される。
ここで、図５を用いて、リスク予測モデル学習システム２による、身体活動レベル予測用学習モデルと、累計コスト予測用学習モデルの生成処理について説明する。身体活動レベル予測用学習モデルと、累計コスト予測用学習モデルは、公知のニューラルネットワーク等の学習モデルを機械学習アルゴリズムのうち、教師あり学習の手法を用いて事前に学習させることにより生成される。
【0040】
＜ステップＳ２０１＞
まず、ステップＳ２０１では、学習用データ収集部８は、図３のステップＳ１において検査情報取得部３が取得する検査項目と同じ項目と、その被検者の将来（例えば、１０年後）の身体状態を示す予め定めたデータと、その被検者の将来（例えば健康診断から１０年後までの期間）に実際にかかっている医療コストと介護コストを算出するための予め定めたデータを大規模健診結果データベース１２１から、多人数について収集し、学習用データベース９に格納する。
まず、ステップＳ２０１では、学習用データ収集部８は、図３のステップＳ１において検査情報取得部３が取得する検査項目と同じ項目と、その被検者の将来（例えば、１０年後）の身体状態を示す予め定めたデータと、その被検者の将来（例えば健康診断から１０年後までの期間）に実際にかかっている医療コストと介護コストを算出するための予め定めたデータを大規模健診結果データベース１２１から、多人数について収集し、学習用データベース９に格納する。
【0041】
＜ステップＳ２０２＞
ステップＳ２０２では、学習用データ収集部８は、収集した情報を学習に利用できる形式に加工する。具体的には、検査情報の数値の単位等を統一し、数値の正規化等を行う。
ステップＳ２０２では、学習用データ収集部８は、収集した情報を学習に利用できる形式に加工する。具体的には、検査情報の数値の単位等を統一し、数値の正規化等を行う。
【0042】
また、被検者の将来（例えば、１０年後）の身体状態を示す予め定めたデータから、身体活動レベルを判定し、寝たきり・車いす・杖が必要・歩行可能の４つのレベルに振り分ける処理を予め定めた演算に基づいて行う。
【0043】
さらに、被検者の将来（例えば、健康診断から１０年後まで期間）に実際にかかっている医療費と介護費を算出するための予め定めたデータから、医療費と介護費の金額を予め定めた数式等に基づいて算出する。
【0044】
＜ステップＳ２０３＞
ステップＳ２０３では、モデル学習部１０は、身体活動予測モデルを生成する。身体活動予測モデルの学習には、既存の教師あり機械学習のうち、分類を行うアルゴリズムを利用する。具体的には、モデル学習部１０は、学習モデルの入力データとして、ステップS２０１で収集した検査項目のデータを用い、正解データとして、ステップS202で求めた身体活動レベル（寝たきり・車いす・杖が必要・歩行可能のいずれか）を用いて学習させ、検査項目データを入力すると、正解の身体活動レベル（寝たきり・車いす・杖が必要・歩行可能のいずれか）が出力されるようにモデルを構築する。
ステップＳ２０３では、モデル学習部１０は、身体活動予測モデルを生成する。身体活動予測モデルの学習には、既存の教師あり機械学習のうち、分類を行うアルゴリズムを利用する。具体的には、モデル学習部１０は、学習モデルの入力データとして、ステップS２０１で収集した検査項目のデータを用い、正解データとして、ステップS202で求めた身体活動レベル（寝たきり・車いす・杖が必要・歩行可能のいずれか）を用いて学習させ、検査項目データを入力すると、正解の身体活動レベル（寝たきり・車いす・杖が必要・歩行可能のいずれか）が出力されるようにモデルを構築する。
【0045】
＜ステップＳ２０４＞
ステップＳ２０４では、モデル学習部１０は、累計コスト予測モデルを生成する。累計コスト予測モデルの学習には、既存の教師あり学習のうち、回帰を行うアルゴリズムを利用する。具体的には、モデル学習部１０は、学習モデルの入力データとして、ステップS２０１で収集した検査項目のデータを用い、正解データとして、ステップS202で求めた医療費と介護費の金額を用いて学習させ、検査項目データを入力すると、正解の医療費と介護費の金額が出力されるようにモデルを構築する。
ステップＳ２０４では、モデル学習部１０は、累計コスト予測モデルを生成する。累計コスト予測モデルの学習には、既存の教師あり学習のうち、回帰を行うアルゴリズムを利用する。具体的には、モデル学習部１０は、学習モデルの入力データとして、ステップS２０１で収集した検査項目のデータを用い、正解データとして、ステップS202で求めた医療費と介護費の金額を用いて学習させ、検査項目データを入力すると、正解の医療費と介護費の金額が出力されるようにモデルを構築する。
【0046】
【0047】
（ステップＳ２１１）
ステップＳ２１１では、将来予測部４は、図５のステップＳ２０３で学習済みの身体活動レベル予測モデルを読み込む。
ステップＳ２１１では、将来予測部４は、図５のステップＳ２０３で学習済みの身体活動レベル予測モデルを読み込む。
【0048】
（ステップＳ２１２）
ステップＳ２１２では、将来予測部４は、身体活動レベル予測モデルに、図３のステップS１で検査情報取得部３が取得した被検者の検査項目のデータを入力する。
ステップＳ２１２では、将来予測部４は、身体活動レベル予測モデルに、図３のステップS１で検査情報取得部３が取得した被検者の検査項目のデータを入力する。
【0049】
（ステップＳ２１２）
ステップＳ２１３では、将来予測部４は、身体活動レベル予測モデルが出力した身体活動レベル（寝たきり・車いす・杖が必要・歩行可能のいずれか）を受け取って、予測結果として出力する。
ステップＳ２１３では、将来予測部４は、身体活動レベル予測モデルが出力した身体活動レベル（寝たきり・車いす・杖が必要・歩行可能のいずれか）を受け取って、予測結果として出力する。
【0050】
【0051】
（ステップＳ２２１）
ステップＳ２２１では、将来予測部４は、図５のステップＳ２０４で学習済みの累計コスト予測モデルを読み込む。
ステップＳ２２１では、将来予測部４は、図５のステップＳ２０４で学習済みの累計コスト予測モデルを読み込む。
【0052】
（ステップＳ２２２）
ステップＳ２２２では、そのモデルに被検者の検査情報を入力する。
ステップＳ２２２では、そのモデルに被検者の検査情報を入力する。
【0053】
（ステップＳ２２３）
ステップＳ２２３では、将来予測部４は、累計コスト予測モデルが出力した累計コスト（医療費、介護費）の金額を出力する。
ステップＳ２２３では、将来予測部４は、累計コスト予測モデルが出力した累計コスト（医療費、介護費）の金額を出力する。
【0054】
上述してきたように、実施形態１の健診システムでは、身体活動レベルや累計コストといった被検者の将来像が被検者の想定しやすい方法で提示され、尚且つ、身体活動レベルを向上させ、累計コストを低減させるための具体的なアクションプランも提案することができる。よって、被検者自身がリスクの直感的な把握でき、アクションプランを実行しようという被検者のモチベーション向上につながる。
【0055】
[[実施形態２]]
次に、実施形態２について図１１～図１５のフローチャートと、図１６～図１９を用いて説明する。図１６は、将来予測部４が予測した椎体領域と脊椎の湾曲線の画像を示す。図１７は、ロコモーションシンドローム発症リスクのレベルをレポートで直観的に提示するためのアイコンである。図１８は、アクションプランデータベース６内に格納されたロコモーションシンドローム発症リスク（以下ロコモ発症リスクと呼ぶ）とアクションプランの対応を示すテーブルの一例である。図１９は、レポートの一例を示す。
次に、実施形態２について図１１～図１５のフローチャートと、図１６～図１９を用いて説明する。図１６は、将来予測部４が予測した椎体領域と脊椎の湾曲線の画像を示す。図１７は、ロコモーションシンドローム発症リスクのレベルをレポートで直観的に提示するためのアイコンである。図１８は、アクションプランデータベース６内に格納されたロコモーションシンドローム発症リスク（以下ロコモ発症リスクと呼ぶ）とアクションプランの対応を示すテーブルの一例である。図１９は、レポートの一例を示す。
【0056】
実施形態２の健診システム１０１では、検査情報取得部３が医療情報ストレージ１０５から読み出す被検者の所定の項目の検査結果に、被検者の所定の領域の２次元または３次元の画像が含まれている。検査情報取得部３は、取得した画像から被検者を構成する内臓および／または組織のうちの所定の構成の特徴量を演算により求める。将来予測部４は、身体活動レベルとして、「寝たきり」、「車いす」、「杖が必要」、「歩行可能」の４段階のレベルのいずれかに該当するか予測するのに加えて、将来の脊椎湾曲の形状、および、ロコモ発症リスクの予め定めた複数のレベルのいずれに該当するか、を予測する。以下具体的に説明する。
【0057】
まず、図１１を用いて、将来予測及び提示システム１の処理について説明する。
【0058】
＜＜ステップＳ１１＞＞
図１１のステップＳ１１では、検査情報取得部３は、被検者の胸部ＣＴ検診で撮影された胸部及び腹部を含む予め定めた範囲（例えば、鎖骨から股関節まで）のX線CT画像を医療情報ストレージ１０５から取得する。なお、ここでは、X線CT画像を取得する例について説明するが、被検者の2次元または３次元画像であればよく、ＭＲＩ画像や超音波画像であってもよい。
図１１のステップＳ１１では、検査情報取得部３は、被検者の胸部ＣＴ検診で撮影された胸部及び腹部を含む予め定めた範囲（例えば、鎖骨から股関節まで）のX線CT画像を医療情報ストレージ１０５から取得する。なお、ここでは、X線CT画像を取得する例について説明するが、被検者の2次元または３次元画像であればよく、ＭＲＩ画像や超音波画像であってもよい。
【0059】
＜＜ステップＳ１２＞＞
ステップＳ１２では、検査情報取得部３は、ステップＳ１１で取得された画像を用いて、椎体領域、所定の位置の被検者の筋肉、および、所定の位置の被検者の脂肪領域のうちの少なくとも一つを２次元または３次元に抽出する。ここでは、検査情報取得部３は、椎体領域を抽出するとともに、臍位置での筋肉及び脂肪領域（３次元データ）の自動抽出を行う。抽出には、機械学習等を利用した公知の演算手法を用いる。
ステップＳ１２では、検査情報取得部３は、ステップＳ１１で取得された画像を用いて、椎体領域、所定の位置の被検者の筋肉、および、所定の位置の被検者の脂肪領域のうちの少なくとも一つを２次元または３次元に抽出する。ここでは、検査情報取得部３は、椎体領域を抽出するとともに、臍位置での筋肉及び脂肪領域（３次元データ）の自動抽出を行う。抽出には、機械学習等を利用した公知の演算手法を用いる。
【0060】
＜＜ステップＳ１３＞＞
ステップＳ１３では、検査情報取得部３は、ステップＳ１２の自動抽出結果の修正が必要かどうか判定を行う。修正が必要な具体例として、被検者の椎体が骨粗しょう症等で正常時とは異なる形状や骨質であり椎体領域として自動抽出されない場合や、被検者の筋肉量が少なく、筋肉の未抽出あるいは誤抽出が発生する場合等が挙げられる。
ステップＳ１３では、検査情報取得部３は、ステップＳ１２の自動抽出結果の修正が必要かどうか判定を行う。修正が必要な具体例として、被検者の椎体が骨粗しょう症等で正常時とは異なる形状や骨質であり椎体領域として自動抽出されない場合や、被検者の筋肉量が少なく、筋肉の未抽出あるいは誤抽出が発生する場合等が挙げられる。
【0061】
＜＜ステップＳ１４＞＞
ステップＳ１３で修正が必要と判定された場合、検査情報取得部３は、ステップＳ１４において、操作者に抽出領域の手動修正を行うように促す表示を行い、操作者による手動補正を受け付ける。
ステップＳ１３で修正が必要と判定された場合、検査情報取得部３は、ステップＳ１４において、操作者に抽出領域の手動修正を行うように促す表示を行い、操作者による手動補正を受け付ける。
【0062】
＜＜ステップＳ１５＞＞
ステップＳ１５では、検査情報取得部３は、ステップＳ１２で抽出された椎体領域の３次元データを用いて、一つ一つの椎体の骨密度（Bone Mineral Density、以下ＢＭＤ）を算出する。ＢＭＤ値の測定には、既存の定量的ＣＴ法（Quantitative computer tomography）を用いる。ＢＭＤ値から、骨粗鬆症診断基準である若年成人平均値（Young Adult Mean、以下ＹＡＭ）を算出する、ＹＡＭは、若年齢の平均ＢＭＤ値（基準値）を１００％として、被検者ＢＭＤ値と比べて％を算出したものである。
ステップＳ１５では、検査情報取得部３は、ステップＳ１２で抽出された椎体領域の３次元データを用いて、一つ一つの椎体の骨密度（Bone Mineral Density、以下ＢＭＤ）を算出する。ＢＭＤ値の測定には、既存の定量的ＣＴ法（Quantitative computer tomography）を用いる。ＢＭＤ値から、骨粗鬆症診断基準である若年成人平均値（Young Adult Mean、以下ＹＡＭ）を算出する、ＹＡＭは、若年齢の平均ＢＭＤ値（基準値）を１００％として、被検者ＢＭＤ値と比べて％を算出したものである。
【0063】
また、検査情報取得部３は、ステップＳ１２で抽出された椎体領域の３次元データから、現状の脊椎の湾曲線を算出し、椎体領域と湾曲線を描画した画像を作成する。
【0064】
＜＜ステップＳ１６＞＞
ステップＳ１６では、検査情報取得部３は、X線CT画像から椎体領域、所定の位置の被検者の筋肉、および、所定の位置の被検者の脂肪領域のうちの少なくとも一つのＣＴ値を抽出する。すなわち、検査情報取得部３は、ステップＳ１２で抽出した筋肉及び脂肪領域を用いて、内臓脂肪と皮下脂肪の面積、脊柱起立筋と大腰筋の面積及び平均ＣＴ値を算出する。ＣＴ値とは、水が０、空気が－１０００に設定された条件下でＣＴ撮影された物質のエックス線吸収値を原点の水に対する相対値として表現した値である。
ステップＳ１６では、検査情報取得部３は、X線CT画像から椎体領域、所定の位置の被検者の筋肉、および、所定の位置の被検者の脂肪領域のうちの少なくとも一つのＣＴ値を抽出する。すなわち、検査情報取得部３は、ステップＳ１２で抽出した筋肉及び脂肪領域を用いて、内臓脂肪と皮下脂肪の面積、脊柱起立筋と大腰筋の面積及び平均ＣＴ値を算出する。ＣＴ値とは、水が０、空気が－１０００に設定された条件下でＣＴ撮影された物質のエックス線吸収値を原点の水に対する相対値として表現した値である。
【0065】
＜＜ステップＳ１７＞＞
ステップＳ１７では、検査情報取得部３は、医療情報ストレージ１０５から被検者の身長・体重・ＢＭＩ・血液検査結果・尿検査結果等の予め定めた検査情報を取得する。血液検査結果と尿検査結果として、骨代謝マーカーである血清ＢＡＰ、血清Ｐ１ＮＰ、血清ＮＴＸ、血清ＣＴＸ、血清ＴＲＡＣＰ－５ｂ、血清ｕｃＯＣ、尿ＤＰＤ、尿ＮＴＸ、尿ＣＴＸを用いる（「骨粗鬆症の予防と治療のガイドライン２０１５年版」参照）。尚、検査情報取得部３が検査情報として取得する項目については、上記に限定されるものではなく、必要に応じて上記項目の一部のみを用いてもよいし、他の項目を追加してもよい。
ステップＳ１７では、検査情報取得部３は、医療情報ストレージ１０５から被検者の身長・体重・ＢＭＩ・血液検査結果・尿検査結果等の予め定めた検査情報を取得する。血液検査結果と尿検査結果として、骨代謝マーカーである血清ＢＡＰ、血清Ｐ１ＮＰ、血清ＮＴＸ、血清ＣＴＸ、血清ＴＲＡＣＰ－５ｂ、血清ｕｃＯＣ、尿ＤＰＤ、尿ＮＴＸ、尿ＣＴＸを用いる（「骨粗鬆症の予防と治療のガイドライン２０１５年版」参照）。尚、検査情報取得部３が検査情報として取得する項目については、上記に限定されるものではなく、必要に応じて上記項目の一部のみを用いてもよいし、他の項目を追加してもよい。
【0066】
＜＜ステップＳ１８＞＞
ステップＳ１８では、将来予測部４は、ステップＳ１５及びステップＳ１６で算出された情報と、ステップＳ１７で取得された検査情報とを用いて、将来予測を行う。ここでは、将来予測部４は、身体活動レベルとして、「寝たきり」、「車いす」、「杖が必要」、「歩行可能」の４段階のレベルのいずれかに該当するか予測するのに加えて、将来の脊椎湾曲の形状、および、ロコモ発症リスクの予め定めた複数のレベルのいずれに該当するか、を予測する。これらについては、図１２等を用いて後で詳しく説明する。
ステップＳ１８では、将来予測部４は、ステップＳ１５及びステップＳ１６で算出された情報と、ステップＳ１７で取得された検査情報とを用いて、将来予測を行う。ここでは、将来予測部４は、身体活動レベルとして、「寝たきり」、「車いす」、「杖が必要」、「歩行可能」の４段階のレベルのいずれかに該当するか予測するのに加えて、将来の脊椎湾曲の形状、および、ロコモ発症リスクの予め定めた複数のレベルのいずれに該当するか、を予測する。これらについては、図１２等を用いて後で詳しく説明する。
【0067】
＜＜ステップＳ１９＞＞
ステップＳ１９では、アクションプラン作成部５が、ステップＳ１８で予測した結果から、被検者の具体的なアクションプランを作成する。アクションプランデータベース６には、図１８に示すようにロコモ発症リスクの複数のレベルに対応するアクションプランと、実施形態１の図９のように累計コストと複数の身体活動レベルの組み合わせに対応するアクションプランが予め格納されている。
ステップＳ１９では、アクションプラン作成部５が、ステップＳ１８で予測した結果から、被検者の具体的なアクションプランを作成する。アクションプランデータベース６には、図１８に示すようにロコモ発症リスクの複数のレベルに対応するアクションプランと、実施形態１の図９のように累計コストと複数の身体活動レベルの組み合わせに対応するアクションプランが予め格納されている。
【0068】
アクションプラン作成部５は、将来予測部４が予測した被検者の将来のロコモ発症リスクのレベルに対応するアクションプランと、累計コストと身体活動レベルの組み合わせに対応するアクションプランをそれぞれ図１８と図９からそれぞれ選択する。
【0069】
＜＜ステップＳ２０＞＞
ステップＳ２０では、ステップＳ１８とステップＳ１９において、将来予測部４が予測したロコモ発症リスク、将来の脊椎湾曲の形状、身体活動レベルおよび累計コストと、アクションプラン作成部５が選択したアクションプランとを対応させて表示するレポートを作成する。
ステップＳ２０では、ステップＳ１８とステップＳ１９において、将来予測部４が予測したロコモ発症リスク、将来の脊椎湾曲の形状、身体活動レベルおよび累計コストと、アクションプラン作成部５が選択したアクションプランとを対応させて表示するレポートを作成する。
【0070】
図１９に、レポートの一例を示す。図１０の例では、ロコモ発症リスクが図１７に示したアイコンと文字により、直観的にわかりやすく表示されている。将来の脊椎の湾曲形状を画像によりわかりやすく表示されている。また、実施形態１と同様に身体活動レベルが、図８に示したアイコンと文字によって「寝たきり」、「車いす」、「杖が必要」、「歩行可能」のいずれであるか直観的にわかりやすく表示されている。また、身体活動レベルと累計コストに対応する、アクションプランが、「おすすめのアクションプラン」として表示されている。さらに、予測に用いた、現状の脊椎の湾曲形状を示す画像や、骨密度、脂肪や筋肉の面積や、骨粗しょう症の診断基準のYAMの値等も表示されている。
【0071】
【0072】
＜ステップＳ１８１～１８４＞
将来予測部４は、ステップＳ１８１において脊椎湾曲予測を、ステップＳ１８２においてロコモ発症リスク予測を、ステップＳ１８３において身体活動レベル予測を、ステップＳ１８４において累計コスト予測を、それぞれリスク予測モデル学習システム２が生成した学習モデルを用いて行う。
将来予測部４は、ステップＳ１８１において脊椎湾曲予測を、ステップＳ１８２においてロコモ発症リスク予測を、ステップＳ１８３において身体活動レベル予測を、ステップＳ１８４において累計コスト予測を、それぞれリスク予測モデル学習システム２が生成した学習モデルを用いて行う。
【0073】
＜＜学習モデルの生成＞＞
ここで、リスク予測モデル学習システム２による、学習モデルの生成処理について説明する。
ここで、リスク予測モデル学習システム２による、学習モデルの生成処理について説明する。
【0074】
上記ステップS183で用いる身体活動レベル予測用学習モデルと、ステップS184で用いる累計コスト予測用学習モデルの生成処理は、実施形態１の図５の処理と同様であるので、説明を省略する。
【0075】
図１３を用いて、ステップS181で用いる脊椎湾曲予測用学習モデル、および、ステップS182で用いるロコモ発症リスク予測用学習モデルの学習方法について説明する。
【0076】
＜＜ステップＳ１８０１＞＞
まず、ステップＳ１８０１では、学習用データ収集部８は、図１１のステップＳ１２において検査情報取得部３が取得する椎体・筋肉・脂肪領域の画像、ステップＳ１５で取得した椎体情報、ステップＳ１６で取得した筋肉・脂肪情報、ステップＳ１７で取得した検査情報と同じ項目を大規模健診結果データベース１２１から、多人数について収集し、学習用データベースに格納する。
まず、ステップＳ１８０１では、学習用データ収集部８は、図１１のステップＳ１２において検査情報取得部３が取得する椎体・筋肉・脂肪領域の画像、ステップＳ１５で取得した椎体情報、ステップＳ１６で取得した筋肉・脂肪情報、ステップＳ１７で取得した検査情報と同じ項目を大規模健診結果データベース１２１から、多人数について収集し、学習用データベースに格納する。
【0077】
また、学習用データ収集部８は、その被検者の将来（例えば、１０年後）の健康診断データから、脊椎湾曲状態を抽出可能な情報と、ロコモティブシンドロームを発症しているかどうかが把握可能な予め定めた情報を大規模健診結果データベース１２１から収集し、学習用データベース９に格納する。
【0078】
＜＜ステップＳ１８０２＞＞
ステップＳ１８０２で、学習用データ収集部８は、収集した情報を学習に利用できる形式に加工する。具体的には、検査情報の数値の単位等を統一し、数値の正規化等を行う。また、ステップS1801に取得した情報が、X線CT画像である場合には、椎体・筋肉・脂肪領域の抽出や、椎体情報算出等を検査情報取得部３がステップS16やステップS17で行った処理と同様の処理により抽出する。
ステップＳ１８０２で、学習用データ収集部８は、収集した情報を学習に利用できる形式に加工する。具体的には、検査情報の数値の単位等を統一し、数値の正規化等を行う。また、ステップS1801に取得した情報が、X線CT画像である場合には、椎体・筋肉・脂肪領域の抽出や、椎体情報算出等を検査情報取得部３がステップS16やステップS17で行った処理と同様の処理により抽出する。
【0079】
また、被検者の将来（例えば、１０年後）の脊椎湾曲状態を示す予め定めたデータから、脊椎湾曲形状を生成する。さらに、将来の被検者がロコモティブシンドロームを発症しているかどうかや発症リスクを判定し、ロコモ発症リスクの４つのレベル非常に高い、高い、低い、非常に低いに振り分ける処理を予め定めた演算に基づいて行う。
【0080】
＜＜ステップＳ１８０３＞＞
ステップＳ１８０３では、モデル学習部１０は、脊椎湾曲予測モデルを生成する。脊椎湾曲予測モデルの学習には、既存の教師あり学習のうち、画像生成を行う機械学習アルゴリズムを利用する。具体的には、モデル学習部１０は、学習モデルの入力データとして、ステップS１８０２で収集した椎体領域の画像、椎体情報、筋肉・脂肪情報、検査情報を入力データとし、正解データとして、将来（例えば１０年後）の椎体領域と脊椎の湾曲線を用いて学習させる。これにより、被検者の椎体領域の画像、椎体情報、筋肉・脂肪情報、検査情報を入力すると、被検者の１０年後の椎体領域と脊椎の湾曲線が出力される椎体湾曲予測モデルが構築される。図１６に、出力される椎体領域と脊椎の湾曲線の例を示す。
ステップＳ１８０３では、モデル学習部１０は、脊椎湾曲予測モデルを生成する。脊椎湾曲予測モデルの学習には、既存の教師あり学習のうち、画像生成を行う機械学習アルゴリズムを利用する。具体的には、モデル学習部１０は、学習モデルの入力データとして、ステップS１８０２で収集した椎体領域の画像、椎体情報、筋肉・脂肪情報、検査情報を入力データとし、正解データとして、将来（例えば１０年後）の椎体領域と脊椎の湾曲線を用いて学習させる。これにより、被検者の椎体領域の画像、椎体情報、筋肉・脂肪情報、検査情報を入力すると、被検者の１０年後の椎体領域と脊椎の湾曲線が出力される椎体湾曲予測モデルが構築される。図１６に、出力される椎体領域と脊椎の湾曲線の例を示す。
【0081】
＜＜ステップＳ１８０４＞＞
ステップＳ１８０４では、モデル学習部１０は、ロコモ発症リスク予測モデルを生成する。ロコモ発症リスク予測モデルの学習には、既存の教師あり学習のうち、分類を行う機械学習アルゴリズムを利用する。具体的には、モデル学習部１０は、学習モデルの入力データとして、ステップS１８０２で収集した椎体情報、筋肉・脂肪情報、検査情報を入力データとし、正解データとして、ステップS１８０２で算出した将来（例えば１０年後）のロコモ発症リスクの４段階のレベル（図１７参照）用いて学習させる。これにより、被検者の椎体領域の画像、椎体情報、筋肉・脂肪情報、検査情報を入力すると、被検者の１０年後のロコモ発症リスクのレベルが出力されるロコモ発症リスク予測モデルが構築される。
ステップＳ１８０４では、モデル学習部１０は、ロコモ発症リスク予測モデルを生成する。ロコモ発症リスク予測モデルの学習には、既存の教師あり学習のうち、分類を行う機械学習アルゴリズムを利用する。具体的には、モデル学習部１０は、学習モデルの入力データとして、ステップS１８０２で収集した椎体情報、筋肉・脂肪情報、検査情報を入力データとし、正解データとして、ステップS１８０２で算出した将来（例えば１０年後）のロコモ発症リスクの４段階のレベル（図１７参照）用いて学習させる。これにより、被検者の椎体領域の画像、椎体情報、筋肉・脂肪情報、検査情報を入力すると、被検者の１０年後のロコモ発症リスクのレベルが出力されるロコモ発症リスク予測モデルが構築される。
【0082】
【0083】
（ステップＳ１８１１）
ステップＳ１８１１では、将来予測部４は、図１３のステップＳ１８０３で学習済みの脊椎湾曲予測モデルを読み込む。
ステップＳ１８１１では、将来予測部４は、図１３のステップＳ１８０３で学習済みの脊椎湾曲予測モデルを読み込む。
【0084】
（ステップＳ１８１２）
ステップＳ１８１２では、将来予測部４は、その脊椎湾曲予測モデルに、図１１のステップS１５～S17において検査情報取得部３が取得した被検者の椎体画像、椎体情報、筋肉・脂肪情報、検査情報を入力する。
ステップＳ１８１２では、将来予測部４は、その脊椎湾曲予測モデルに、図１１のステップS１５～S17において検査情報取得部３が取得した被検者の椎体画像、椎体情報、筋肉・脂肪情報、検査情報を入力する。
【0085】
（ステップＳ１８１３）
ステップＳ１８１３では、将来予測部４は、脊椎湾曲モデルが予測した被検者の将来の椎体領域と脊椎の湾曲線の予測結果を受け取って出力する。
ステップＳ１８１３では、将来予測部４は、脊椎湾曲モデルが予測した被検者の将来の椎体領域と脊椎の湾曲線の予測結果を受け取って出力する。
【0086】
【0087】
（ステップＳ１８２１）
ステップＳ１８２１では、将来予測部４は、図１３のステップＳ１８０４で学習済みのロコモ発症リスク予測モデルを読み込む。
ステップＳ１８２１では、将来予測部４は、図１３のステップＳ１８０４で学習済みのロコモ発症リスク予測モデルを読み込む。
【0088】
（ステップＳ１８２２）
ステップＳ１８２２では、将来予測部４は、そのロコモ発症リスク予測モデルに、図１１のステップS１５～S17において検査情報取得部３が取得した被検者の椎体情報、筋肉・脂肪情報、検査情報を入力する。
ステップＳ１８２２では、将来予測部４は、そのロコモ発症リスク予測モデルに、図１１のステップS１５～S17において検査情報取得部３が取得した被検者の椎体情報、筋肉・脂肪情報、検査情報を入力する。
【0089】
（ステップＳ１８２３）
ステップＳ１８２３では、将来予測部４は、ロコモ発症リスク予測モデルが出力するロコモ発症リスクレベル（図１７）の予測結果を受け取って出力する。
ステップＳ１８２３では、将来予測部４は、ロコモ発症リスク予測モデルが出力するロコモ発症リスクレベル（図１７）の予測結果を受け取って出力する。
【0090】
なお、図１２のステップS183およびS184の身体活動レベルの予測と、累計コストの予測は、実施形態１と同様であるので説明を省略する。
【0091】
上述してきた実施形態２により、胸部ＣＴ検診で撮影された既存の画像等を用いることにより、特殊な計測を実施せず、健診時に将来のリスクを推定することができる。また、運動器の重要な要素である筋肉と骨に関するリスクを同時に推定することができる。
【0092】
以上では胸部ＣＴ検診で撮影された胸部及び腹部画像を用いる例を説明したが、全身ＣＴ検診で撮影された部位毎の画像を用いることもできる。この場合、例えば、上半身と下半身といった部位に応じた筋肉や骨の情報を取得することができ、将来（例えば１０年後）の将来予測を部位毎に提示することができる。これに基づいて、部位による違いに応じたアクションプランを作成可能になる。これにより被検者に提示するアクションプランの精度が向上し、被検者のロコモ予防の効果をより高めることができる。
【0093】
なお、本実施形態では、検査情報取得部３は、被検者の画像から内臓や構造物の特徴量を算出する構成であったが、外部の演算装置に特徴量を演算させて、演算結果を受け取る構成としてもよい。
【0094】
【0095】
実施形態３では、将来予測部４は、被検者について予測した身体活動レベル等を接続されている記憶部（例えば、医療情報ストレージ１０５等）に格納しておく構成である。これにより、今回の健康診断結果に基づいて身体活動レベル等を予測した後、同じ被検者について前回の健康診断結果に基づいて算出した予測結果を接続されている記憶部から読み出し、今回と前回の身体活動レベルおよび累計コストの差を算出し、レポート作成部に出力する。
【0096】
＜＜ステップＳ３１＞＞
図２０のステップＳ３１では、将来予測部４は、被検者の前回の身体活動レベル及び累計コストの予測結果を記憶部（例えば、医療情報ストレージ１０５等）から読み込む。
図２０のステップＳ３１では、将来予測部４は、被検者の前回の身体活動レベル及び累計コストの予測結果を記憶部（例えば、医療情報ストレージ１０５等）から読み込む。
【0097】
＜＜ステップＳ３２＞＞
ステップＳ３２では、将来予測部４は、実施形態１の図３のステップS１と同様に、被検者の現在の身長・体重・ＢＭＩ・血液検査結果・尿検査結果等の検査情報を取得する。
ステップＳ３２では、将来予測部４は、実施形態１の図３のステップS１と同様に、被検者の現在の身長・体重・ＢＭＩ・血液検査結果・尿検査結果等の検査情報を取得する。
【0098】
＜＜ステップＳ３３＞＞
ステップＳ３３では、将来予測部４は、ステップＳ３２で取得された検査情報を用いて、実施形態１の図３のステップS２と同様に、身体活動レベル及び累計コストの将来予測を行う。
ステップＳ３３では、将来予測部４は、ステップＳ３２で取得された検査情報を用いて、実施形態１の図３のステップS２と同様に、身体活動レベル及び累計コストの将来予測を行う。
【0099】
＜＜ステップＳ３４＞＞
ステップＳ３４では、将来予測部４は、ステップＳ３３の将来予測で得られた累計コストと、ステップＳ３１で取得した過去の累計コストから得られた累計コストの差額を算出する。
ステップＳ３４では、将来予測部４は、ステップＳ３３の将来予測で得られた累計コストと、ステップＳ３１で取得した過去の累計コストから得られた累計コストの差額を算出する。
【0100】
＜＜ステップＳ３５＞＞
ステップＳ３５では、アクションプラン作成部５は、ステップＳ３２で予測した身体活動レベルおよび累計コストの予測結果から、実施形態１の図３のステップS３と同様に、被検者の具体的なアクションプランを作成する。
ステップＳ３５では、アクションプラン作成部５は、ステップＳ３２で予測した身体活動レベルおよび累計コストの予測結果から、実施形態１の図３のステップS３と同様に、被検者の具体的なアクションプランを作成する。
【0101】
＜＜ステップＳ３６＞＞
ステップＳ３６では、レポート作成部は、今回のリスク予測結果を、前回のリスク予測結果とを対比して、その変化を明確に提示する図２１のようなレポートを作成する。図２１では、身体活動レベルが、前回と今回で対比して提示され、累計コストは対比して提示されるとともに、その差額も表示されている。
ステップＳ３６では、レポート作成部は、今回のリスク予測結果を、前回のリスク予測結果とを対比して、その変化を明確に提示する図２１のようなレポートを作成する。図２１では、身体活動レベルが、前回と今回で対比して提示され、累計コストは対比して提示されるとともに、その差額も表示されている。
【0102】
本実施形態３により、一定期間後等に、再度リスク予測を行い、前回からの経時変化を提示することで、被検者の積極的な予防活動及びそれによるリスク低減が期待できる。
以上、本発明の実施形態１～３について説明したが、本発明はこれらに限定されるものではない。
以上、本発明の実施形態１～３について説明したが、本発明はこれらに限定されるものではない。
【符号の説明】
【0103】
１ 提示システム、２ リスク予測モデル学習システム、３ 検査情報取得部、４ 将来予測部、５ アクションプラン作成部、６ アクションプランデータベース、７ レポート作成部、８ 学習用データ収集部、９ 学習用データベース、１０ モデル学習部、１０１ 健診システム、１０３ 施設内ネットワーク、１０４ 医療情報システム、１０５ 医療情報ストレージ、１０７ 主メモリ、１０８ 記憶装置、１０９ 表示メモリ、１１０ 表示装置、１１１ コントローラ、１１２ マウス、１１３ キーボード、１１４ 印刷装置、１１５ 通信装置、１１６ 共通バス、１１７ 将来予測プログラム、１１８ アクションプラン作成プログラム、１１９ レポート作成プログラム、１２０ 外部ネットワーク、１２１ 大規模健診結果データベース、１２２ 被検者端末、１２３ 学習用データ収集プログラム、１２５ 尿検査装置、１２６ Ｘ線ＣＴ装置
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】