特開2022-184727生活者の健康状態を把握、健康予測モデルでの生活者の健康維持、増進をサポートする方法及び情報提供方法
(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】P2022184727
(43)【公開日】2022-12-13
(54)【発明の名称】生活者の健康状態を把握、健康予測モデルでの生活者の健康維持、増進をサポートする方法及び情報提供方法
(51)【国際特許分類】
G16H 50/30 20180101AFI20221206BHJP
【ＦＩ】
G16H50/30
【審査請求】未請求
【請求項の数】31
【出願形態】ＯＬ
(21)【出願番号】P 2022047820
(22)【出願日】2022-03-24
(62)【分割の表示】P 2021091759の分割
【原出願日】2021-05-31
【新規性喪失の例外の表示】特許法第３０条第２項適用申請有り １．ウェブサイトのアドレス ｈｔｔｐｓ：／／ｈ－ｍｐ－ｓｅｍｉｎａｒ．ｊｐ／ｐｕｂｌｉｃ／ｓｅｓｓｉｏｎ／ｖｉｅｗ／２１２、掲載日：令和２年１２月２日 ２．生活者インターフェース市場フォーラム２０２０ ～クリエイティビティが生み出す新しいエコシステム～、開催日：令和２年１２月２日
(71)【出願人】
【識別番号】000206956
【氏名又は名称】大塚製薬株式会社
(74)【代理人】
【識別番号】100106518
【弁理士】
【氏名又は名称】松谷 道子
(74)【代理人】
【識別番号】100189555
【弁理士】
【氏名又は名称】徳山 英浩
(74)【代理人】
【識別番号】100135703
【弁理士】
【氏名又は名称】岡部 英隆
(72)【発明者】
【氏名】中川 恭
(72)【発明者】
【氏名】出口 直幸
(72)【発明者】
【氏名】浜本 圭介
(72)【発明者】
【氏名】戸羽 正道
(72)【発明者】
【氏名】岩下 聡
(72)【発明者】
【氏名】坪内 美樹
(72)【発明者】
【氏名】郭 敬卓
(72)【発明者】
【氏名】吉江 美帆
【テーマコード（参考）】
5L099
【Ｆターム（参考）】
5L099AA15
(57)【要約】
【課題】所定の疾病、あるいは、疾病には該当しないが日常生活に支障を来す症状を伴う障害等に関して、対象者に注意喚起を行い得る技術を提供する。
【解決手段】情報提供方法は、対照顧客の購買履歴を表す購買データを取得し、購買データから少なくとも１つの商品が属する商品カテゴリを決定する。当該方法はさらに、購買履歴に含まれている少なくとも１つの商品が属する商品カテゴリと健康症状の程度とを対応付けた健康予測モデル、及び商品カテゴリを用いて、対象顧客の潜在的な健康症状の程度を予測する。そして当該方法は、予測した健康症状の程度を示す健康情報を対象顧客に提供する。
【選択図】図９
【解決手段】情報提供方法は、対照顧客の購買履歴を表す購買データを取得し、購買データから少なくとも１つの商品が属する商品カテゴリを決定する。当該方法はさらに、購買履歴に含まれている少なくとも１つの商品が属する商品カテゴリと健康症状の程度とを対応付けた健康予測モデル、及び商品カテゴリを用いて、対象顧客の潜在的な健康症状の程度を予測する。そして当該方法は、予測した健康症状の程度を示す健康情報を対象顧客に提供する。
【選択図】図９
【特許請求の範囲】
【請求項1】
複数の対照の各々の購買履歴を表す購買データを取得し、
前記複数の対照の各々から収集された健康症状の程度を表す症状データを取得し、
前記購買データを説明変数とし、前記症状データを目的変数として機械学習を行って、
前記購買履歴に含まれている少なくとも１つの商品が属する商品カテゴリと、
前記健康症状の程度と、
を対応付けた健康予測モデルを構築する、健康予測モデルの構築方法。
前記複数の対照の各々から収集された健康症状の程度を表す症状データを取得し、
前記購買データを説明変数とし、前記症状データを目的変数として機械学習を行って、
前記購買履歴に含まれている少なくとも１つの商品が属する商品カテゴリと、
前記健康症状の程度と、
を対応付けた健康予測モデルを構築する、健康予測モデルの構築方法。
【請求項2】
各対照の健康症状は、前記健康症状の程度に応じて複数のクラスのいずれかに分類され、
前記健康予測モデルは、前記少なくとも１つの商品が属する商品カテゴリと、前記複数のクラスの各々について、各クラスに該当する対照が前記少なくとも１つの商品を選択した回数に応じた数値とを対応付けて構築される、請求項１に記載の健康予測モデルの構築方法。
前記健康予測モデルは、前記少なくとも１つの商品が属する商品カテゴリと、前記複数のクラスの各々について、各クラスに該当する対照が前記少なくとも１つの商品を選択した回数に応じた数値とを対応付けて構築される、請求項１に記載の健康予測モデルの構築方法。
【請求項3】
前記機械学習はロジスティック回帰による機械学習である、請求項１または２に記載の健康予測モデルの構築方法。
【請求項4】
前記ロジスティック回帰は、Ｌ１正則化法および／またはＬ２正則化法を用いる、請求項３に記載の健康予測モデルの構築方法。
【請求項5】
対象顧客の購買履歴を表す購買データを取得し、
前記購買データから少なくとも１つの商品が属する商品カテゴリを決定し、
前記購買履歴に含まれている少なくとも１つの商品が属する商品カテゴリと、
前記健康症状の程度と、
を対応付けた健康予測モデル、及び前記商品カテゴリを用いて、前記対象顧客の潜在的な健康症状の程度を予測し、
予測した前記健康症状の程度を示す健康情報を前記対象顧客に提供する
情報提供方法。
前記購買データから少なくとも１つの商品が属する商品カテゴリを決定し、
前記購買履歴に含まれている少なくとも１つの商品が属する商品カテゴリと、
前記健康症状の程度と、
を対応付けた健康予測モデル、及び前記商品カテゴリを用いて、前記対象顧客の潜在的な健康症状の程度を予測し、
予測した前記健康症状の程度を示す健康情報を前記対象顧客に提供する
情報提供方法。
【請求項6】
前記健康症状は、前記健康症状の程度に応じて複数のクラスのいずれかに分類され、
前記複数のクラスの各々は、前記健康症状の程度に応じた数値範囲と予め対応付けられており、
前記対象顧客の潜在的な健康症状の程度を数値によって表し、
前記数値が属する数値範囲に基づいて前記数値に対応するクラスを決定することにより、前記対象顧客の潜在的な健康症状の程度を予測する、請求項５に記載の情報提供方法。
前記複数のクラスの各々は、前記健康症状の程度に応じた数値範囲と予め対応付けられており、
前記対象顧客の潜在的な健康症状の程度を数値によって表し、
前記数値が属する数値範囲に基づいて前記数値に対応するクラスを決定することにより、前記対象顧客の潜在的な健康症状の程度を予測する、請求項５に記載の情報提供方法。
【請求項7】
前記複数のクラスは３以上である、請求項６に記載の情報提供方法。
【請求項8】
前記複数のクラスの各々と、各クラスの健康症状に適合するサービスおよび／または製品とを対応付けたテーブルが予め用意されており、
前記健康情報とともに、決定されたクラスの健康症状に適合するサービスおよび／または製品に関する提案をさらに提供する、請求項６または７に記載の情報提供方法。
前記健康情報とともに、決定されたクラスの健康症状に適合するサービスおよび／または製品に関する提案をさらに提供する、請求項６または７に記載の情報提供方法。
【請求項9】
前記健康情報および／または前記提案を、電子メールの文面、表示装置での表示、レシートへの印字、電子機器で実行されるアプリ上で提示されるメッセージ、を介して提供する、請求項８に記載の情報提供方法。
【請求項10】
前記健康予測モデルは、請求項１から４のいずれかに記載の健康予測モデルの構築方法によって構築されている、請求項５から９のいずれかに記載の情報提供方法。
【請求項11】
前記購買履歴は、複数の女性の各々が一定期間にわたって購入した食品及び又は日用品の購買履歴であり、
前記健康症状とは、簡略更年期指数（SMI）、更年期障害評価尺度（the Menopause Rating Scale）,クッパーマン更年期指数（The Kupperman index），更年期障害評価尺度（Green Climacteric Scale）, 簡略更年期指数（SMI）, The premenstrual symptoms screening tool(ＰＳＳＴ)、MRS(Menopause Rating Scale)、WHQ(The women’s Health Questionnaire)、VAS(Visual analogue scale)、HFRDI(Hot Flash Related Daily Interference Scale)、HFCS(Hot Flash Composite Score)、およびMENQOL(Menopause-Specific Quality of life)のいずれか１つ以上によって表される、請求項１から４のいずれかに記載の健康予測モデルの構築方法。
前記健康症状とは、簡略更年期指数（SMI）、更年期障害評価尺度（the Menopause Rating Scale）,クッパーマン更年期指数（The Kupperman index），更年期障害評価尺度（Green Climacteric Scale）, 簡略更年期指数（SMI）, The premenstrual symptoms screening tool(ＰＳＳＴ)、MRS(Menopause Rating Scale)、WHQ(The women’s Health Questionnaire)、VAS(Visual analogue scale)、HFRDI(Hot Flash Related Daily Interference Scale)、HFCS(Hot Flash Composite Score)、およびMENQOL(Menopause-Specific Quality of life)のいずれか１つ以上によって表される、請求項１から４のいずれかに記載の健康予測モデルの構築方法。
【請求項12】
前記健康予測モデルが、更年期予測モデル、月経前症候群（PMS、PMDD）予測モデルから選択される１つ以上である、請求項１から４のいずれかに記載の健康予測モデルの構築方法。
【請求項13】
前記対象顧客の潜在的健康症状が、更年期症状、月経前症候群（PMS、PMDD）症状から選択される１つ以上である、請求項５から９のいずれかに記載の情報提供方法。
【請求項14】
前記購買履歴は、前記複数の対照が各々一定期間にわたって購入した食品及び又は日用品の購買履歴であり、
前記健康症状の程度は、睡眠状態の悪化、睡眠リズムの乱れ、不適切な睡眠時間のいずれか１つ以上によって表される請求項１から４のいずれかに記載の健康予測モデルの構築方法。
前記健康症状の程度は、睡眠状態の悪化、睡眠リズムの乱れ、不適切な睡眠時間のいずれか１つ以上によって表される請求項１から４のいずれかに記載の健康予測モデルの構築方法。
【請求項15】
さらに、前記複数の対照の睡眠の質の１つ以上の情報を含めて機械学習を行う請求項１から４のいずれかに記載の健康予測モデルの構築方法。
【請求項16】
前記健康予測モデルが、睡眠の状態予測モデルである請求項１から４のいずれかに記載の健康予測モデルの構築方法。
【請求項17】
前記対象顧客の潜在的健康症状が、睡眠状態の悪化、睡眠リズムの乱れ、不適切な睡眠時間から選択される１つ以上である、請求項５から９のいずれかに記載の情報提供方法。
【請求項18】
前記購買履歴は、前記複数の対照が各々一定期間にわたって購入した食品及び又は日用品の購買履歴であり、
前記健康症状の程度は、運動不足、肥満、一定期間における体重の変化のいずれか１つ以上によって表される請求項１から４のいずれかに記載の健康予測モデルの構築方法。
前記健康症状の程度は、運動不足、肥満、一定期間における体重の変化のいずれか１つ以上によって表される請求項１から４のいずれかに記載の健康予測モデルの構築方法。
【請求項19】
さらに、前記複数の対照の喫煙の有無、座位行動の１つ以上の情報を含めて機械学習を行う請求項１から４のいずれかに記載の健康予測モデルの構築方法。
【請求項20】
前記健康予測モデルが運動状態に関する運動状態予測モデルである、請求項１から４のいずれかに記載の健康予測モデルの構築方法。
【請求項21】
前記対象顧客の潜在的健康症状が、運動不足、肥満、一定期間における体重の変化から選択される１つ以上である、請求項５から９のいずれかに記載の情報提供方法。
【請求項22】
前記購買履歴は、前記複数の対照が各々一定期間にわたって購入した食品及び又は日用品の購買履歴であり、
前記健康症状の程度は、血清Ｎａの高値、ＢＵＮ／クレアチニン比の高値のいずれか１つ以上によって表される請求項１から４のいずれかに記載の健康予測モデルの構築方法。
前記健康症状の程度は、血清Ｎａの高値、ＢＵＮ／クレアチニン比の高値のいずれか１つ以上によって表される請求項１から４のいずれかに記載の健康予測モデルの構築方法。
【請求項23】
さらに、前記複数の対照の飲水量、飲酒量、身体活動量、尿の色の１つ以上の情報を含めて機械学習を行う請求項１から４のいずれかに記載の健康予測モデルの構築方法。
【請求項24】
前記健康予測モデルが水分補給状態に関する水分補給状態予測モデルである、請求項１から４のいずれかに記載の健康予測モデルの構築方法。
【請求項25】
前記対象顧客の潜在的健康情報が、血清Ｎａの高値、ＢＵＮ／クレアチニン比の高値から選択される１つ以上である、請求項５から９のいずれかに記載の情報提供方法。
【請求項26】
前記載購買履歴は、前記複数の対照の各々が一定期間にわたって購入した食品及び日用品の購買履歴であり、
前記健康症状の程度は、風邪のひきやすさ、SIｇA濃度、アレルギー症状、口腔環境の状態、重度の睡眠症状、中等度の睡眠症状、軽度の睡眠症状の１つ以上によってあらわされる請求項１から４のいずれかに記載の健康予測モデルの構築方法。
前記健康症状の程度は、風邪のひきやすさ、SIｇA濃度、アレルギー症状、口腔環境の状態、重度の睡眠症状、中等度の睡眠症状、軽度の睡眠症状の１つ以上によってあらわされる請求項１から４のいずれかに記載の健康予測モデルの構築方法。
【請求項27】
前記健康予測モデルが免疫状態に関する免疫状態予測モデルである、請求項１から４のいずれかに記載の健康予測モデルの構築方法。
【請求項28】
前記対象顧客の潜在的健康情報が、風邪のひきやすさ、SIｇA濃度、アレルギー症状、口腔環境の状態から選択される１つ以上である請求項５から９のいずれかに記載の情報提供方法。
【請求項29】
前記購買履歴は、前記複数の対照が各々一定期間にわたって購入した食品及び日用品の購買履歴であり、
前記健康症状の程度は、栄養低下に伴う自覚症状の有無、食品摂取の多様性得点（DVS）、食欲尺度短縮版(SNAQ:Simplified nutritional appetite questionnaire)、重度の睡眠症状、中程度の睡眠症状、軽度の睡眠症状の1つ以上によってあらわされれる請求項１から４のいずれかに記載の健康予測モデルの構築方法。
前記健康症状の程度は、栄養低下に伴う自覚症状の有無、食品摂取の多様性得点（DVS）、食欲尺度短縮版(SNAQ:Simplified nutritional appetite questionnaire)、重度の睡眠症状、中程度の睡眠症状、軽度の睡眠症状の1つ以上によってあらわされれる請求項１から４のいずれかに記載の健康予測モデルの構築方法。
【請求項30】
前記健康予測モデルが栄養状態に関する栄養状態予測モデルである、請求項１から４のいずれかに記載の健康予測モデルの構築方法。
【請求項31】
前記対象顧客の潜在的健康情報が、栄養不足、栄養の偏り、食生活から選択される１つ以上である請求項５から９のいずれかに記載の情報提供方法。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、生活者の健康状態を把握、健康予測モデルで生活者の健康維持、増進する健康サポートモデルの構築方法及び情報提供方法に関する。
【背景技術】
【0002】
近年、人口の減少、経済不況、自然災害の発生、感染症の蔓延など、世界中で生活環境が大きく変化しつつある。その一方で、人工知能（ＡＩ）の活用機会の増加、第５世代移動通信システムの開発・普及などが進んでいる。生活環境が変化しつつある中、社会を支えるインフラは技術を活用してデータを基につながる産業フレームに移行し始め、社会活動・行動情報が可視化され始めている。
【0003】
健康への関心が高まる中、健康管理への対応も社会の動きに適応させることが求められている。これまでは、病気にかかり症状が悪化し始めてから治療を受ける「受け身的なヘルスケア」が中心であった。しかしながら今後は、健康な人が自宅で自身のデータを取得し、そのデータを収集して各人の健康状態をデータ化することで、先を見越した健康管理を行う「先回り医療」や、罹患予防を行う「予防医療」も行われるようになると考えられる。そしてその先には、将来の疾病予測、健康への注意喚起を行う「予測医療」も想定され得る。
【0004】
特許文献１は、大規模ゲノム・コホートデータベースに、各ユーザのゲノム情報を含むパーソナルヘルスレコード（ＰＨＲ）を蓄積し、当該ＰＨＲビッグデータを対象にコホート分析を行う技術を開示する。特許文献１の技術は、解析結果に基づいて、ゲノムの型及びライフスタイルの型の組み合わせと、健康リスク（即ち、疾病発症リスク）との関連性を導き出し、ユーザの将来の健康リスクを推定する。
【先行技術文献】
【特許文献】
【0005】
【特許文献1】特開２０１７－００６７４５号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
健康リスクに関する情報を提供する方法は種々考えられる。情報提供方法が多様化すると、ユーザは自身が必要とする情報を入手しやすくなる。健康リスクに関する情報を提供する新たな方法が必要とされている。
【0007】
本発明の目的の一つは、所定の疾病、あるいは、疾病には該当しないが日常生活に支障を来す症状を伴う障害等に関して、対象者に注意喚起を行い得る技術を提供することである。
【課題を解決するための手段】
【0008】
本発明の例示的な実施形態にかかる方法は、健康予測モデルの構築方法である。当該方法は、複数の対照の各々の購買履歴を表す購買データを取得し、複数の対照の各々から収集された健康症状の程度を表す症状データを取得する。症状データは健康症状に関するアンケート結果、検査結果等を含むそして、購買データを説明変数とし、症状データを目的変数として機械学習を行って、購買履歴に含まれている少なくとも１つの商品が属する商品カテゴリと、健康症状の程度を対応付け、対象者に健康改善を促す健康予測モデルを構築する。
【0009】
本発明の例示的な実施形態にかかる他の方法は、情報提供方法である。当該方法は、対象顧客の購買履歴を表す購買データを取得し、購買データから少なくとも１つの商品が属する商品カテゴリを決定する。そして、購買履歴に含まれている少なくとも１つの商品が属する商品カテゴリと、健康症状の程度とを対応付けた健康予測モデル、及び商品カテゴリを用いて、対象顧客の潜在的な健康症状の程度を予測する。予測した健康症状の程度及び健康サポートを示す健康情報を対象顧客に提供する。
【発明の効果】
【0010】
本発明の例示的な実施形態によれば、所定の疾病、あるいは、疾病には該当しないが日常生活に支障を来す症状を伴う障害などに関して、対象者に注意喚起を行い得る技術を提供できる。
【図面の簡単な説明】
【0011】
【図1】情報処理装置を利用して機械学習を行い、予測モデルを構築する学習システムの概要を示す図
【図2】予測モデルが構築された情報処理装置を利用した、顧客の健康予測を行う予測システムの概要を示す図
【図3】女性の健康に関する更年期予測モデルを構築する学習システムを示す図
【図4】教師データ１２の具体例を示す図
【図5】Ｈ層、Ｍ層及びＬ層の被験者うちＨ層の被験者が有意に多く選択した商品群の例を示す図
【図6】Ｈ層の被験者による購買品目から見出された更年期症状と随伴する健康課題との関係を示す図
【図7】Ｈ層に属する更年期症状を有する女性向けの商品群の例を示す図
【図8】機械学習を行う際に利用される情報処理装置１０のハードウェア構成図
【図9】情報処理装置１０のＣＰＵ２１によって実行される学習処理の手順を示すフローチャート
【図10】複製された予測モデル２７を有する情報処理装置３０のハードウェア構成図
【図11】情報処理装置３０のＣＰＵ４１によって実行される相性の予測処理の手順を示すフローチャート
【図12】スマートフォン３８に健康情報を通知する場合の、顧客と情報処理装置３０との間で行われるチャット表示例を示す図
【図13】女性の健康（更年期症状）、睡眠状態、運動状態、免疫状態、水分状態、栄養状態の各々の詳細を示す図
【発明を実施するための形態】
【0012】
以下、添付の図面を参照しながら、本発明の例示的な実施形態を詳細に説明する。但し、必要以上に詳細な説明は省略する場合がある。例えば、既によく知られた事項の詳細説明や実質的に同一の構成に対する重複説明を省略する場合がある。これは、以下の説明が不必要に冗長になるのを避け、当業者の理解を容易にするためである。なお、本発明者は、当業者が本開示を十分に理解するために添付図面及び以下の説明を提供するのであって、これらによって特許請求の範囲に記載の主題を限定することを意図するものではない。
【0013】
なお、以下に説明する実施形態の構成及び動作は例示である。本開示は、以下に説明される実施形態の構成及び動作に限定されない。また、各図は、模式図であり、必ずしも厳密に図示されたものではない。なお、各図において、実質的に同一の構成に対しては同一の符号を付しており、重複する説明は省略または簡略化する。
【0014】
（実施形態）
本発明者は、各顧客の行動から、現在の健康状態、その顧客が何らかの疾病に罹患している場合、あるいは罹患することが予想される場合にはその健康リスクを予測し、その健康リスクに関する情報を提供するためのシステムを開発した。各顧客の行動は、例えばドラッグストアにおいてどのような商品を購入したかを示す購入履歴によって把握され得る。購入された商品は、統計的に見ると複数の生活者（疾病患者も含む）、おかれている健康状態や疾病、疾病リスクと関連付けることが可能である。そのような関連付けが可能な商品の種類は、食品、飲料、健康器具等種々考えられる。それらのうち、食品および／または飲料は健康状態の影響をより直接的に反映すると考えられるため、顧客の健康状態等を関連付ける商品として好適である。本発明者は、約３万人の被験者からデータを収集し、そのうちの約３千人のデータを用いて機械学習を行って健康予測モデル（以下、単に「予測モデル」と記述する。）を構築することでそのような関連付けを実現した。その結果、各顧客の健康リスクの予測を行うことを可能にした。
本発明者は、各顧客の行動から、現在の健康状態、その顧客が何らかの疾病に罹患している場合、あるいは罹患することが予想される場合にはその健康リスクを予測し、その健康リスクに関する情報を提供するためのシステムを開発した。各顧客の行動は、例えばドラッグストアにおいてどのような商品を購入したかを示す購入履歴によって把握され得る。購入された商品は、統計的に見ると複数の生活者（疾病患者も含む）、おかれている健康状態や疾病、疾病リスクと関連付けることが可能である。そのような関連付けが可能な商品の種類は、食品、飲料、健康器具等種々考えられる。それらのうち、食品および／または飲料は健康状態の影響をより直接的に反映すると考えられるため、顧客の健康状態等を関連付ける商品として好適である。本発明者は、約３万人の被験者からデータを収集し、そのうちの約３千人のデータを用いて機械学習を行って健康予測モデル（以下、単に「予測モデル」と記述する。）を構築することでそのような関連付けを実現した。その結果、各顧客の健康リスクの予測を行うことを可能にした。
【0015】
図１は、情報処理装置を利用して機械学習を行い、予測モデルを構築する学習システムの概要を示している。学習システム１の情報処理装置１０は、例えばＰＣ、サーバコンピュータであり得る。サーバコンピュータは、システムの提供者によってオンプレミスで運用されてもよいし、クラウドサービスとして提供されてもよい。情報処理装置１０の具体的な構成は、後に図８を参照しながら説明する。
【0016】
情報処理装置１０は、多数の被験者から収集された種々のデータを含む教師データ１２を利用して機械学習を行い、予測モデルを構築する。教師データ１２は、被験者の行動アルゴリズムに関する１以上の行動データ１４と、当該被験者の健康に関するデータである健康関連データ群１６とを含む。
【0017】
行動データ１４は、例えば各被験者のドラッグストアにおける商品の購入履歴を示す購買データである。購買データは、商品の購入履歴のみならず、例えば、マッサージ、鍼灸治療等のサービスを受けた履歴を含んでもよい。なお、購買データは、小売店が管理する決済情報によって特定してもよいし、例えばクレジットカードの決済情報、金融機関への支払情報を利用して特定してもよい。上述したように、食品および／または飲料は顧客の健康状態等を関連付ける商品として好適であるから、購買データとして、食品および／または飲料の購入履歴を含むことが好ましい。
【0018】
健康関連データ群１６は、各被験者の健康に関する症状データ１８のほか、健康意識、メンタルヘルス、認知機能、健康診断結果、既往歴・合併症の各データの集合である。症状データ１８の一例は、健康状態、睡眠状態、運動状態、免疫状態水分状態、栄養状態のそれぞれについての症状を示すデータである。「症状」は自覚症状であってもよいし、測定した結果認められる症状であってもよい。
【0019】
教師データ１２は、大きく説明変数と目的変数とに分類される。例えば、目的変数として症状データ１８を利用し、説明変数として症状データ１８以外のデータを利用し得る。説明変数として、行動アルゴリズムに関する行動データ１４を用いてもよいし、健康関連データ群１６内の健康意識、メンタルヘルス、認知機能、健康診断結果のうちから選択された少なくとも１種類のデータを用いてもよい。
【0020】
本発明者は、機械学習の手法としてロジスティック回帰を採用した。ただし、ロジスティック回帰は一例である。Ｌ１正則化法を用いるロジスティック回帰を採用して精度をより向上させてもよいし、Ｌ１正則化法に代えてＬ２正則化法を用いたロジスティック回帰（リッジ回帰）を採用してもよい。Ｌ１正則化法及びＬ２正則化法を両方利用したエラスティックネットを利用することもできる。さらには、ロジスティック回帰以外の手法、例えばランダムフォレスト、決定木、勾配ブースティング、サポートベクトル回帰、線形回帰、部分的最小二乗（Partial Least Squares：ＰＬＳ）回帰、ガウス過程回帰、ニューラルネットワーク等を採用してもよい。
【0021】
図２は、予測モデルが構築された情報処理装置を利用した、顧客の健康予測を行う予測システムの概要を示している。予測システム２の情報処理装置３０には、図１に示す学習システム１において構築された学習済みの予測モデルが実装されている。情報処理装置３０は、情報処理装置１０と異なる装置であることを想定しているが、同一の装置であってもよい。前者の場合、情報処理装置１０から抽出された、予測モデルを規定するパラメータが情報処理装置３０内に複製されている。
【0022】
情報処理装置３０は、一般に入手可能なコンピュータシステム、例えばデスクトップ型ＰＣ、ノート型ＰＣ、タブレットＰＣであり得る。当該コンピュータシステムは、予測システム２を運用する事業者の事業所に設置されてもよいし、クラウドサービスとして提供されてもよい。後者の場合、事業所にはクラウドサービスと相互に通信可能なＰＣ等が設けられていればよい。典型的には、事業者は医師および／または薬剤師であり、事業所は病院、クリニック、薬局および／またはドラッグストアである。ただし、他の事業者及び事業所が本予測システム２を利用することも可能である。情報処理装置３０の具体的な構成は、後に図１０を参照しながら説明する。
【0023】
予測システム２の利用にあたっては、健康を予測したい顧客のデータ（顧客データ）３２が用意される。用意される顧客データ３２は、予測モデル構築時の教師データ１２の説明変数に対応するデータである。
【0024】
情報処理装置３０は、ある顧客の顧客データ３２を予測モデルに入力することにより、症状データを出力する。症状データは、例えばその顧客の健康予測値３４であり、より具体的には、ある特定の疾病に罹患している可能性および／または程度を示す数値である。図２には、顧客Ａ～Ｅのそれぞれについて、ある疾病に罹患していることを示す可能性（罹患割合）が「％」で示されている。疾病の種類に応じて、男性のみ、女性のみ、または男女双方が対象となり得る。図示された例は、男女双方が罹患し得る疾病、例えば風邪、についての罹患の程度が示されている。
【0025】
図示された例では、所定の閾値以上の罹患割合を示した顧客Ａ及びＣが示されている。このうち健康予測値が高いカテゴリについては、小売店やメーカー３６から声掛けして罹患の可能性を指摘し、生活者が気づいていない或いは、顕在化している症状が軽いうちに採り得る処置を提案することができる。また顧客Ｃのように、自身のスマートフォン３８に注意を促す音とともに通知が送信されている。通知により、顧客Ｃは、罹患の可能性を知ることができるとともに、症状が軽いうちに採り得る処置の提案を受けることができる。
【0026】
以下では、健康状態として女性の健康、より具体的には、簡略更年期指数（Simplified Menopausal Index；ＳＭＩ）によって表される更年期症状を例示しながら本発明の例示的な実施形態を説明する。国や地域等に応じて、更年期に関する他の指標、例えば、更年期障害評価尺度（the Menopause Rating Scale）、クッパーマン更年期指数（The Kupperman index）、更年期障害評価尺度（Green Climacteric Scale）、The premenstrual symptoms screening tool(PSST)、MRS(Menopause Rating Scale)、WHQ(The Women’s Health Questionnaire)、VAS(Visual analogue scale)、HFRDI(Hot Flash Related Daily Interference Scale)、HFCS(Hot Flash Composite Score)、およびMENQOL(Menopause-Specific Quality of life)のいずれか１つ以上を適宜利用することができる。
【0027】
図３は、女性の健康に関する更年期予測モデルを構築する学習システムを示している。本例では、教師データ１２として、購買履歴を示す購買データ１５を説明変数とし、症状データ１８の一つである、女性の健康状態を示す簡略更年期指数ＳＭＩ１９を目的変数として含む。購買データ１５及び簡略更年期指数ＳＭＩ１９は被験者毎に収集される。
【0028】
例えば購買データ１５として、調査会社が提供する購買履歴を蓄積したパネルデータを採用し得る。同パネルデータは、商品が購入された際に、購入者である被験者によって当該商品がスキャンされて取得されるデータである。被験者が自身のスマートフォンや貸与されたバーコードリーダを用いて商品をスキャンすると、当該商品と、予め設定された自身の属性（会社員／学生／主婦等）、購入先等の情報等とが関連付けられて蓄積される。これにより、どのような人が、何を、どれだけ、どのような店舗で購入したかが把握される。先に説明したように、説明変数として購買データ１５を採用することは必須ではなく、図１に例示されるような種々のデータ群を採用し得る。
【0029】
また、簡略更年期指数ＳＭＩ１９は、列挙された種々の症状の程度に応じた該当項目を各被験者に事前にしておいてもらい、その結果を点数化することにより取得される。簡略更年期指数ＳＭＩ１９は日本人の更年期女性特有の症状を反映した指標であるとされている。そのため、国や地域等に応じて、更年期症状に関する他の指標、例えば、更年期障害評価尺度（the Menopause Rating Scale）、クッパーマン更年期指数（The Kupperman index）、更年期障害評価尺度（Green Climacteric Scale）, The premenstrual symptoms screening tool (PSST)、MRS(Menopause rating Scale)、WHQ(The Women’s Health Questionnaire),VAS(Visual analogue scale)、HFRDI(Hot Flash Related Daily Interference Scale)、HFCS(Hot Flash Composite Score)、およびMENQOL(Menopause-Specific Quality of life)のいずれか１つ以上を適宜利用することができる。
【0030】
情報処理装置１０は、機械学習の手法としてロジスティック回帰を採用する。ロジスティック回帰とは、入力を受けて、それがある事象に該当する確率（あるいは該当しない確率）を算出することによって、入力がある事象に該当するか否かを判定する手法をいう。ロジスティック回帰のモデルは、一例として下記式（１）のように説明される。但し、ｉはｉ番目の対象者を示し、ｐは目的変数の事象が発生する確率を示し、b1、b2、…、bnは偏回帰係数を示し、b0は定数項を示し、x1、x2、…、xnは説明変数を示す。左辺は自然対数である。式１はロジット関数と呼ばれる。
【数1】
【0031】
式（１）は確率ｐを表す式（２）に変形することができる。
【数2】
【0032】
式（２）はシグモイド関数と呼ばれ、ロジスティック回帰モデルにおける活性化関数である。ｚの定義における偏回帰係数ｂ１、ｂ２、・・・、ｂｎは重みと呼ばれ、ｂ０はバイアス項である。ｚをシグモイド関数に入力すると、０～１の値、すなわち確率値、が出力される。
【0033】
いま、式（２）で求めたシグモイド関数を「φ（ｚ）」とおき、その出力値に応じて２値のいずれかを示す出力ｙに分類する。式（３）は、φ（ｚ）が０．５以上であれば１のクラスに分類し、０．５未満であれば０のクラスに分類することを意味する。換言すると、式（３）は、式（２）のｚが０以上、であれば１のクラスに分類し、式（２）のｚが０未満であれば０のクラスに分類することを意味する。
【数3】
【0034】
次に、ロジスティック回帰において学習に利用される「尤度」を導入する。尤度は、結果から見たところの条件のもっともらしさを意味する。尤度を表す尤度関数Ｌは以下の式４によって表される。なおＰ（・）は確率値を表す。
【数4】
【0035】
尤度関数Ｌは、全て正しく判定する確率を示している。尤度を最大化する重みを求めることによって、予測したい事象の確率をより正確に出力できるようにする。具体的には、尤度関数Ｌに（－１）を乗じて尤度関数の正負を逆転させる。この正負が逆転した尤度関数が、ロジスティック回帰における誤差関数である。誤差関数が最小値となる重み、すなわち偏回帰係数ｂ１、ｂ２、・・・、ｂｎを求めるため、誤差関数をｂ１、ｂ２、・・・、ｂｎのそれぞれについて偏微分し、勾配降下法を適用する。これにより、ロジスティック回帰の学習が行われる。
【0036】
なお、尤度関数として、式（４）の自然対数を用いた対数尤度関数を利用してもよい。対数尤度関数に（－１）を乗じて正負を逆転させた関数を最小化していくことによって最適な重みを見出すことができる。
【0037】
上述のロジスティック回帰に関する演算アルゴリズムは周知であり、そのようなアルゴリズムによって機械学習を行うためのソフトウェアアプリケーションは容易に入手可能である。原理的には上述の通りであるが、入手可能なソフトウェアを用いれば数式を用いた具体的な解析手法を特に詳細に知らない者であっても、本実施形態ロジスティック回帰を利用した機械学習を実現することが可能である。
【0038】
次に、図４を参照しながら、上記ロジスティック回帰アルゴリズムの学習に利用する教師データ１２の詳細を説明する。
図４は、教師データ１２の具体例を示している。教師データ１２は、購買データ１５と、その被験者が属する簡略更年期指数ＳＭＩの症状を示すラベル１９とを含む。この例では、購買データ１５は、各被験者が一定期間、例えば一年間、にわたって購入した食品および／または日用品の購買履歴を示している。すなわち、購買データ１５には、被験者のＩＤごとに、ＪＩＣＦＳ分類における大カテゴリ「食品」「日用品」に含まれる細カテゴリの約５００品目（例：清涼飲料水、洗口液等）の各項目１５ａと、期間中の購入金額や購入数量、購入回数等の数値データである実績データ１５ｂとが対応付けて入力されている。
図４は、教師データ１２の具体例を示している。教師データ１２は、購買データ１５と、その被験者が属する簡略更年期指数ＳＭＩの症状を示すラベル１９とを含む。この例では、購買データ１５は、各被験者が一定期間、例えば一年間、にわたって購入した食品および／または日用品の購買履歴を示している。すなわち、購買データ１５には、被験者のＩＤごとに、ＪＩＣＦＳ分類における大カテゴリ「食品」「日用品」に含まれる細カテゴリの約５００品目（例：清涼飲料水、洗口液等）の各項目１５ａと、期間中の購入金額や購入数量、購入回数等の数値データである実績データ１５ｂとが対応付けて入力されている。
【0039】
図４の購買データ１５の各々に対し、その被験者が属する簡略更年期指数ＳＭＩの症状を示すラベル１９が対応付けられている。本実施形態では簡略更年期指数ＳＭＩは２クラスである。具体的には、更年期症状が相対的に大きいことを示す「Ｈ」か、「Ｈ以外」かである。「Ｈ以外」については、相対的に中程度である「Ｍ」、相対的に小さいことを示す「Ｌ」に細分類し得る。以下では、「Ｈ」に該当する被験者層を「Ｈ層」と呼ぶ。Ｈ層の顧客が購入することが多い商品群を教師データ１２として用意すると、潜在的にＨ層に該当する可能性が高いと考えられる顧客を見出すことができると考えられる。
【0040】
購買データ１５の各品目の購入金額、購入数量、購入回数などが、上述した式（１）等における説明変数Ｘに対応する。そして、式（３）において、Ｈ層である場合に「１」を出力し、Ｈ層以外の場合に「０」を出力するよう分類させることで、尤度関数を求めることができる。もちろん、説明変数Ｘを構成する要素は上述の購買データ１５に限られることはない。例えば年齢層を示すデータを含めてもよい。更年期症状とは異なる病態を判別する場合にはさらに他のデータ、例えば性別データ、を説明変数として利用してもよい。
【0041】
本発明者は、Ｈ層の顧客が購入することが多い商品群を決定するため、上述のとおり、約３千人のデータを用いて機械学習を行って予測モデルを構築した。その結果、多くのＨ層の被験者に購入されている商品または商品群を予測することができるに至った。
【0042】
図５は、Ｈ層及びＨ層以外の層のユーザの多くが選択した商品群を示している。「○」がＨ層及びＨ層以外の層の顧客に選択された商品群である。これらの商品群のうち、太い枠及び太文字は、多くのＨ層の顧客に選択されたがＨ層以外の顧客にはそれほど選択されなかった商品群を示している。また図６は、Ｈ層の被験者による購買品目から見出された更年期症状と随伴する健康課題との関係を示している。図６最右欄の数値は、更年期症状を有する女性による選択のされやすさを示す程度（偏差値）を示している。この数値は、「お金をかけてでも対処したい事項症状別偏差値‐女性の健康・美容ライフスタイル理解に関するリサーチプロジェクト報告書‐行動観察調査結果」からの引用である。
【0043】
これらの結果から、Ｈ層の被験者は、更年期症状に対処するために特定の商品を積極的に選択していることが判明した。本発明者が分析したところ、肌や体内の感想、不定愁訴に対応する商品を購入しているという特徴を見出すことができた。
【0044】
図７は、Ｈ層に属する更年期症状を有する女性向けの商品群の例を示している。このように分類されたデータを用いて予測モデルを構築すると、Ｈ層の被験者が、Ｈ層以外の層の被験者と比較して頻繁に購入する商品を決定することができる。そのような商品の購入者は、Ｈ層に属する被験者であると推定できる。すなわち、本発明者は、Ｈ層に属する被験者であると推定可能な商品を 用いて予測モデルを構築し、精度よくＨ層に属する顧客を推定できるようにした。
【0045】
１つ以上の商品が属する商品カテゴリと、各クラスに該当する女性が当該商品カテゴリに含まれる商品を購入した金額や数量、回数に応じて計算される数値とが対応付けられ得る。そのような対応付けは例えば関数として記述されうる。すなわち、予測モデルは関数として取得され得る。なお、Ｈ／Ｍ／Ｌ層のクラスに代えて、年期症状に該当する可能性を示す数値を採用してもよい。クラス数は３であってもよいし、さらに適宜細分化して４以上であってもよい。
【0046】
次に、図８～図１１を参照しながら、情報処理装置１０（図１）及び情報処理装置３０（図２）の具体的な構成及び動作を説明する。
図８は、機械学習を行う際に利用される情報処理装置１０のハードウェア構成図である。情報処理装置１０は、ＣＰＵ２１と、通信インタフェース（Ｉ／Ｆ）２２と、記憶装置２３とを備えている。
図８は、機械学習を行う際に利用される情報処理装置１０のハードウェア構成図である。情報処理装置１０は、ＣＰＵ２１と、通信インタフェース（Ｉ／Ｆ）２２と、記憶装置２３とを備えている。
【0047】
ＣＰＵ２１は、本実施形態における情報処理装置の演算回路の一例である。ＣＰＵ２１は、記憶装置２３に格納された制御プログラム２６の実行により、予測モデル２７の学習及び実行を含む所定の機能を実現する。情報処理装置１０は、ＣＰＵ２１が制御プログラム２６を実行することで、本実施形態の情報処理装置としての機能を実現する。制御プログラム２６は、本実施形態におけるコンピュータプログラムの一例である。なお、本実施形態でＣＰＵ２１として構成される演算回路は、ＭＰＵまたはＧＰＵ等の種々のプロセッサで実現されてもよく、１つまたは複数のプロセッサで構成されてもよい。
【0048】
通信インタフェース２２は、例えばイーサネット（登録商標）の通信端子、ＵＳＢ（登録商標）端子である。または通信インタフェース２２は、ＩＥＥＥ８０２．１１、４Ｇ、または５Ｇ等の規格に準拠して通信を行う通信回路である。通信インタフェース２２は、イントラネット、インターネット等の通信ネットワークに接続可能であり、学習システム１を運用する者が用意した教師データ１２を受信する。また、情報処理装置１０は、通信インタフェース２２を介して他の機器と直接通信を行ってもよく、アクセスポイント経由で通信を行ってもよい。
【0049】
記憶装置２３は、情報処理装置１０を動作させるために必要なコンピュータプログラム及びデータを記憶する記憶媒体である。記憶装置２３は、例えばハードディスクドライブ（ＨＤＤ）または半導体記憶装置であるソリッド・ステート・ドライブ（ＳＳＤ）であり得る。記憶装置２３は、例えばＤＲＡＭまたはＳＲＡＭ等のＲＡＭにより構成される一時的な記憶素子を備えてもよく、ＣＰＵ２１の作業領域として機能してもよい。記憶装置２３は、ＣＰＵ２１で実行される制御プログラム２６を記憶し、予測モデル２７の構築後は予測モデル２７を定義するテーブルおよび／またはパラメータ群を格納する。
【0050】
図９は、情報処理装置１０のＣＰＵ２１によって実行される学習処理の手順を示すフローチャートである。
【0051】
ステップＳ１１において、ＣＰＵ２１は、通信Ｉ／Ｆ２２を介して、購買履歴を表す購買データ１５、及び症状の程度を表す症状データ１８を、教師データ１２として取得する。購買データ１５は、例えばＪＩＣＦＳ分類（分類コード）及び商品カテゴリを含む。
ステップＳ１２において、ＣＰＵ２１は、購買データを説明変数とし、症状データを目的変数として、上述の数式を用いて予測モデル２７の機械学習を実行する。
ステップＳ１３において、ＣＰＵ２１は、購買データと症状の程度とを対応付けた予測モデル２７を生成する。
ステップＳ１２において、ＣＰＵ２１は、購買データを説明変数とし、症状データを目的変数として、上述の数式を用いて予測モデル２７の機械学習を実行する。
ステップＳ１３において、ＣＰＵ２１は、購買データと症状の程度とを対応付けた予測モデル２７を生成する。
【0052】
上述のように構築された予測モデル２７は、そのまま情報処理装置１０を利用して、任意の２名の人間の相性の予測に利用することができる。あるいは、予測モデル２７を構成するデータを任意の情報処理装置に複製することにより、予測モデル２７を生成した情報処理装置１０以外の情報処理装置においても相性の予測を行うことができる。
【0053】
図１０は、複製された予測モデル２７を有する情報処理装置３０のハードウェア構成図である。情報処理装置３０は、予測モデル２７を利用して、顧客の更年期症状に関する予測結果を算出する。情報処理装置３０もまた、例えばＰＣ、サーバコンピュータであり得る。情報処理装置３０は、ＣＰＵ４１と、入力インタフェース（Ｉ／Ｆ）４２と、記憶装置４３と、出力インタフェース（Ｉ／Ｆ）４４とを備える。入力Ｉ／Ｆ４２は、予測したい顧客の購買データを受け取る。
【0054】
ＣＰＵ４１、入力Ｉ／Ｆ４２及び記憶装置４３は、それぞれ図８に示すＣＰＵ２１、通信Ｉ／Ｆ２２及び記憶装置２３と同様の構成及び機能を有する。よってＣＰＵ４１、入力Ｉ／Ｆ４２及び記憶装置４３の説明として、ＣＰＵ２１、通信Ｉ／Ｆ２２及び記憶装置２３の上記説明を援用する。
【0055】
なお、記憶装置２３には、情報処理装置１０によって構築された予測モデル２７を定義するテーブルおよび／またはパラメータ群が格納されている。予測モデル２７は、例えばＣＰＵ４１が実行するコンピュータプログラムの一部として組み込まれてもよいし、コンピュータプログラムとは別のデータとして設けられてもよい。
【0056】
出力Ｉ／Ｆ４４は、情報処理装置３０の外部に設けられた種々の出力装置と接続される通信回路および／または通信端子である。例えば出力Ｉ／Ｆ４４は、レシートプリンタ５０に印字すべき内容を示す印字データを送信するＵＳＢ端子である。情報処理装置３０のＣＰＵ４１は、予測モデル２７を用いて顧客の更年期症状に関する予測結果を算出し、その結果をレシートプリンタ５０に送信してレシート３４を印刷させる。
【0057】
または、出力Ｉ／Ｆ４４は、ディスプレイ５２と接続される映像出力端子であってもよい。情報処理装置３０のＣＰＵ４１は、予測モデル２７を用いて顧客の更年期症状に関する予測結果を算出し、その結果をディスプレイ５２に送信して予測結果を表示させる。ディスプレイ５２に表示された内容を薬剤師３６が確認し、例えば更年期症状を有する顧客には、更年期症状を有する被験者の多くが購入していた１または複数の商品を提案する。
【0058】
または、出力Ｉ／Ｆ４４は、通信ネットワーク５４等と接続されてデータ通信を行うことが可能な通信端子または通信回路であってもよい。出力Ｉ／Ｆ４４が通信端子または通信回路である場合には、出力Ｉ／Ｆ４４及び入力Ｉ／Ｆ４２のハードウェアは同じであってもよく、その場合は、出力Ｉ／Ｆ４４の説明として通信Ｉ／Ｆ２２の上記説明を援用する。出力Ｉ／Ｆ４４は、例えば携帯電話回線を介して予測結果を顧客のスマートフォン３８に送信する。
【0059】
なお、更年期症状の程度を示す予測結果、例えばＨ層／Ｍ層／Ｌ層や、９０％／５０％／２０％、と、各程度に応じて提案すべき商品・サービスを対応付けたテーブルを予め用意しておき、情報処理装置３０が、予測結果とともに、その結果に対応する商品・サービスを提案してもよい。そのようなテーブルは、例えば記憶装置４３に予め格納されている。
【0060】
図１１は、情報処理装置３０のＣＰＵ４１によって実行される予測処理の手順を示すフローチャートである。
【0061】
ステップＳ２１において、ＣＰＵ４１は、更年期症状に関する予測を行いたい顧客の購買履歴を表す購買データを取得する。購買データの取得は容易に実現され得る。例えば、ドラッグストアでの商品購入時にその顧客の会員証をＰＯＳ（Point of sale）システムで読み取ることによって、その顧客とその顧客の購入履歴とを紐付けしたデータベースが構築されることは既に一般的である。顧客の承諾のもと、そのようなデータベースから購買データを抽出することにより、情報処理装置３０に入力することが可能である。そのような購買データ１５は、例えば、ＪＩＣＦＳ分類及び商品カテゴリを含む。
【0062】
ステップＳ２２において、ＣＰＵ４１は、購買データからＪＩＣＦＳ分類（分類コード）及び商品カテゴリを決定する。
ステップＳ２３において、ＣＰＵ４１は、予測モデル２７、及び決定した分類コード及び商品カテゴリを用いて症状の程度を予測する。
ステップＳ２４において、ＣＰＵ４１は、予測した症状の程度を健康情報として出力Ｉ／Ｆ４４に送り、レシート３４への印字、ディスプレイ５２への表示、スマートフォン３８への通知という形態で健康情報を顧客に提供する。
ステップＳ２３において、ＣＰＵ４１は、予測モデル２７、及び決定した分類コード及び商品カテゴリを用いて症状の程度を予測する。
ステップＳ２４において、ＣＰＵ４１は、予測した症状の程度を健康情報として出力Ｉ／Ｆ４４に送り、レシート３４への印字、ディスプレイ５２への表示、スマートフォン３８への通知という形態で健康情報を顧客に提供する。
【0063】
図１２は、スマートフォン３８に健康情報を通知する場合の、顧客と情報処理装置３０との間で行われるチャット表示例を示している。コンピュータがチャットの内容を解析して回答する技術は既に実現されているため、本実施形態ではそのような技術が採用されているとする。チャットの具体的な内容は一例に過ぎず、図１２に示す例は、予測結果が顧客へのスマートフォンに送信される一つの例を挙げるに過ぎない。いま、予測結果がＱ薬局６０から顧客に伝えられるとする。
【0064】
チャット６２において、情報処理装置３０のＣＰＵ４１は、予測結果から、例えばホルモンバランスが崩れかけていることを伝えることにより、その顧客が更年期症状を有していることを顧客に通知する。
チャット７２において、顧客からチャットによる質問が返される。
チャット７２において、顧客からチャットによる質問が返される。
【0065】
チャット６４において、情報処理装置３０のＣＰＵ４１は、質問の内容を認識し、質問に対する回答を顧客に返す。
チャット７４において、顧客が、予測結果に基づいて検査やアンケートの機会を希望すると、チャット６６において、情報処理装置３０のＣＰＵ４１はその顧客の検査やアンケートの予約を行う。
チャット７４において、顧客が、予測結果に基づいて検査やアンケートの機会を希望すると、チャット６６において、情報処理装置３０のＣＰＵ４１はその顧客の検査やアンケートの予約を行う。
【0066】
以上の処理により、更年期症状に関する予測結果を顧客に伝え、併せて商品の購入及びサービスの提供を提案することが可能になる。
【0067】
これまでは、女性の更年期症状を予測するための予測モデルを具体的に説明した。しかしながら本発明者は、女性の更年期症状以外にも、種々の疾病に関して本発明の考え方が適用できると考えた。具体的には、本発明者は女性の健康（更年期症状）の予測モデルの他、月経前症候群（ＰＭＳ、ＰＭＤＤ）の予測モデルから選択される１つ以上を利用可能である。また本発明者は、睡眠状態、運動状態、免疫状態、水分状態、栄養状態、認知症、酸素利用、血管の健康、口腔衛生、肌の健康、頭髪の健康、腸内環境、心の健康、運動効果の促進、食欲増進、体温恒常性、眼の健康のそれぞれについても個々に独立して予測可能であることを見出した。
【0068】
図１３は、女性の健康（更年期症状）の詳細等を示している。健康リスクに関する予測モデルは出願人が見出した、生体情報或いは行動データを説明変数とし、症状データや疾病情報を目的変数として機械学習を行えば、例えば更年期症状に関するより精度の高い健康リスクの予測モデルの構築が可能である。例えば健康テーマとして睡眠状態、運動状態、免疫状態、水分状態、栄養状態、認知症、酸素利用、血管の健康、口腔衛生、肌の健康、頭髪の健康、腸内環境、心の健康、運動効果の促進、食欲増進、体温恒常性、眼の健康の各々について予測モデルを構築することが可能である。その結果、睡眠が不足気味の顧客には製品Ａを提案する、栄養不足気味の顧客には製品Ｆを提案する等のソリューションを提示することができる。なお、図１３は、女性の健康の他、睡眠状態、運動状態、免疫状態、栄養状態及び水分状態を例示している。
以下、睡眠状態、運動状態、免疫状態、栄養状態及び水分状態の各々に関する予測モデルの構築方法を説明する。
以下、睡眠状態、運動状態、免疫状態、栄養状態及び水分状態の各々に関する予測モデルの構築方法を説明する。
【0069】
＜睡眠＞
睡眠状態に関する睡眠状態予測モデルは、睡眠が乱れている人の症状の程度を予測するために利用される。そのような睡眠状態予測モデルを構築するためには、説明変数となる行動データ及び目的変数となる症状データは、それぞれ、複数の対照の各々についての各対照の睡眠状態および／または睡眠リズム、睡眠時間である。
睡眠状態に関する睡眠状態予測モデルは、睡眠が乱れている人の症状の程度を予測するために利用される。そのような睡眠状態予測モデルを構築するためには、説明変数となる行動データ及び目的変数となる症状データは、それぞれ、複数の対照の各々についての各対照の睡眠状態および／または睡眠リズム、睡眠時間である。
【0070】
これら変数は、先の更年期症状の例と同様の方法によって取得され得る。一方、睡眠状態および／または睡眠リズム、睡眠時間は、アンケート等によって取得された各対照の自覚症状であってもよいし、各対照を測定した結果認められる測定値であってもよい。睡眠状態は、アテネ睡眠評価尺度（AIS）、ピッツバーグ睡眠質問票（Pittsburgh Sleep Quality Index:PSQI）、3次元型睡眠尺度（3 Dimentional Sleep Scale:3DSS）、不眠症重症度質問票（Insomnia Severity Index:ISI）症状の程度は、それぞれの項目の単体及び複合的に解析され、生活者の健康状態をカテゴリに割り付け分類される。睡眠リズムはミュンヘンクロノタイプ質問票（Munich ChronoType Questionnaire:μMCTQ）を用い、平日と休日のそれぞれの睡眠中央時間を求め、その差からソーシャルジェットラグ（Social Jet Lag:SJL）を算出することで把握することができる。
【0071】
これらを用いて機械学習を行うことにより、睡眠状態予測モデルを構築可能である。機械学習の手法として、例えば先の更年期症状の例と同様、ロジスティック回帰を利用し得る。そのような予測モデルを用いることで、健康リスクを持つ顧客を特定し、睡眠状態が悪化／睡眠リズムが乱れている／睡眠時間が適切ではない対象顧客の潜在的健康症状を改善することが可能な製品を提供することができる。潜在的健康症状は、睡眠状態の悪化、睡眠リズム、不適切な睡眠時間から選択される１つ以上であり得る。なお、複数の対照の睡眠の質の情報を含めて機械学習を行ってもよい。
【0072】
解析結果は、悪化した健康状態を経験している、あるいは今後経験する可能性がある状態を疫学情報から文献的に見出すことが可能である。例えば、ソーシャルジェットラグで示される平日と休日の睡眠リズムの差が１時間以上である生活者は、１時間以内の生活者よりも抑うつ、メタボリックシンドローム、過体重を発生するリスクが高いことが見出されており、健康リスクが高いと評価することが可能である。
【0073】
＜運動＞
運動状態に関する運動状態予測モデルは、生活習慣病に関連する状態や疾病リスクを予測するために利用される。そのような運動状態予測モデルを構築するためには、説明変数となる行動データは、複数の対照の各々の肥満状態に該当するか否か、一定期間、例えば２０歳代から現在までなど、における体重の変化および／または、歩数等の運動の量が相対的に少ない人の症状の程度があげられる。また、目的変数となる症状データは、各対照の体重、ＢＭＩ（Body Mass Index）、歩数および／またはメタボリックシンドローム診断基準値のいずれか１つ以上である。メタボリックシンドローム診断基準値は、ウエスト周囲径、高グリセリド血症および／または低ＨＤＬコレステロール血症の診断のために定められた閾値、血圧の最大値および／または最小値、及び、空腹時高血糖の診断のために定められた閾値のいずれか１以上である。
運動状態に関する運動状態予測モデルは、生活習慣病に関連する状態や疾病リスクを予測するために利用される。そのような運動状態予測モデルを構築するためには、説明変数となる行動データは、複数の対照の各々の肥満状態に該当するか否か、一定期間、例えば２０歳代から現在までなど、における体重の変化および／または、歩数等の運動の量が相対的に少ない人の症状の程度があげられる。また、目的変数となる症状データは、各対照の体重、ＢＭＩ（Body Mass Index）、歩数および／またはメタボリックシンドローム診断基準値のいずれか１つ以上である。メタボリックシンドローム診断基準値は、ウエスト周囲径、高グリセリド血症および／または低ＨＤＬコレステロール血症の診断のために定められた閾値、血圧の最大値および／または最小値、及び、空腹時高血糖の診断のために定められた閾値のいずれか１以上である。
【0074】
購買データは、先の更年期症状の例と同様の方法によって取得され得る。例えば複数の対照の各々が一定期間、例えば一年間、にわたって購入した食品および／または日用品の購買履歴が取得され得る。一方、症状データは、各対照を測定した結果認められる測定値であってもよい。健康症状の程度は、運動不足、肥満、一定期間における体重の変化から選択される１つ以上程度を含む。
【0075】
これらを用いて機械学習を行うことにより、運動状態予測モデルを構築可能である。機械学習の手法として、例えば先の更年期症状の例と同様、ロジスティック回帰を利用し得る。そのような予測モデルを用いることで、体重、ＢＭＩ、歩数および／またはメタボリックシンドローム診断基準値のいずれかが乱れている対象顧客に、それらを改善することが可能な製品を提供することができる。潜在的健康症状が、運動不足、肥満、一定期間における体重の変化から選択される１つ以上であり得る。なお、複数の対照の喫煙の有無、座位行動の１つ以上の情報を含めて機械学習を行ってもよい。
【0076】
解析結果は、悪化した健康状態を経験している、あるいは今後経験する可能性がある状態を疫学から文献的に見出すことが可能である。例えば、歩数が少ない生活者は多い生活者よりもメタボリックシンドロームになるリスクが高いことや肥満である生活者は、肥満状態であい生活者よりも糖尿病のリスクが高いことが見出されており、健康リスクが高いと評価することが可能である。
【0077】
＜免疫＞
免疫状態に関する免疫状態予測モデルは、体の免疫力が低下している人の症状の程度を予測するために利用される。そのような免疫状態予測モデルを構築するためには、説明変数となる行動データ及び目的変数となる症状データは、それぞれ、複数の対照の各々について購買履歴を示す購買データ及び各対照の免疫力の状態である。
購買データは、先の更年期症状の例と同様の方法によって取得され得る。例えば複数の対照が各々一定期間、例えば一年間、にわたって購入した食品および／または日用品の購買履歴が取得され得る。一方、風邪の引きやすさおよび／またはその頻度は、アンケート等によって取得された各対照の自覚症状であってもよいし、医療機関の受診履歴から取得されてもよい。症状の程度は３段階以上のカテゴリで集計され、症状の程度は、風邪の引きやすさ、SIgA濃度、アレルギー症状、口腔環境の状態、重度の睡眠症状、中程度の睡眠症状、軽度の睡眠症状であり得る。
これらを用いて機械学習を行うことにより、免疫状態予測モデルを構築可能である。機械学習の手法として、例えば先の更年期症状の例と同様、ロジスティック回帰を利用し得る。そのような予測モデルを用いることで、免疫力が低下している対象顧客の潜在的健康症状を改善することが可能な製品を提供することができる。潜在的健康症状は、風邪の引きやすさ、SIgA濃度、アレルギー症状、口腔環境の状態から選択される１つ以上であり得る。なお、複数の対照の風邪の引きやすさ、SIgA濃度、アレルギー症状、口腔環境の状態から選択される1つ以上の情報を含めて機械学習を行ってもよい。
免疫状態に関する免疫状態予測モデルは、体の免疫力が低下している人の症状の程度を予測するために利用される。そのような免疫状態予測モデルを構築するためには、説明変数となる行動データ及び目的変数となる症状データは、それぞれ、複数の対照の各々について購買履歴を示す購買データ及び各対照の免疫力の状態である。
購買データは、先の更年期症状の例と同様の方法によって取得され得る。例えば複数の対照が各々一定期間、例えば一年間、にわたって購入した食品および／または日用品の購買履歴が取得され得る。一方、風邪の引きやすさおよび／またはその頻度は、アンケート等によって取得された各対照の自覚症状であってもよいし、医療機関の受診履歴から取得されてもよい。症状の程度は３段階以上のカテゴリで集計され、症状の程度は、風邪の引きやすさ、SIgA濃度、アレルギー症状、口腔環境の状態、重度の睡眠症状、中程度の睡眠症状、軽度の睡眠症状であり得る。
これらを用いて機械学習を行うことにより、免疫状態予測モデルを構築可能である。機械学習の手法として、例えば先の更年期症状の例と同様、ロジスティック回帰を利用し得る。そのような予測モデルを用いることで、免疫力が低下している対象顧客の潜在的健康症状を改善することが可能な製品を提供することができる。潜在的健康症状は、風邪の引きやすさ、SIgA濃度、アレルギー症状、口腔環境の状態から選択される１つ以上であり得る。なお、複数の対照の風邪の引きやすさ、SIgA濃度、アレルギー症状、口腔環境の状態から選択される1つ以上の情報を含めて機械学習を行ってもよい。
【0078】
＜水分＞
水分補給状態に関する水分補給状態予測モデルは、水分補給ができていない人、水分不足によりさらされる健康リスク、その健康リスクを事前に想定し回避するために利用される。そのような予測モデルを構築するためには、説明変数となるデータは、それぞれ、複数の対照の各々についての血清Ｎａ値、ＢＵＮ／クレアチニン比、および、或いは脱水評価スケール、水分不足に伴う自覚症状である。
水分補給状態に関する水分補給状態予測モデルは、水分補給ができていない人、水分不足によりさらされる健康リスク、その健康リスクを事前に想定し回避するために利用される。そのような予測モデルを構築するためには、説明変数となるデータは、それぞれ、複数の対照の各々についての血清Ｎａ値、ＢＵＮ／クレアチニン比、および、或いは脱水評価スケール、水分不足に伴う自覚症状である。
【0079】
これら情報は、先の更年期症状の例と同様の方法によって取得され得る。例えば複数の対照の各々が一定期間、例えば一年間、経験した体の変化を健康診断や人間ドックで得られる臨床検査値や別に実施される健康アンケートによって得られる。一方、水分低下に伴う自覚症状は、アンケート等によって取得され得る。症状の程度は、血清Ｎａ値、ＢＵＮ／クレアチニン比、飲水量、身体活動量、尿の色から把握され得る。
【0080】
これらを用いて機械学習を行うことにより、水分補給予測モデルを構築可能である。機械学習の手法として、例えば先の更年期症状の例と同様、ロジスティック回帰を利用し得る。そのような予測モデルを用いることで、水分低下に伴う自覚症状がある対象顧客の潜在的健康症状を改善することが可能な製品を提供することができる。潜在的健康症状は、血清Ｎａの高値、ＢＵＮ／クレアチニン比の高値から選択される１つ以上であり得る。なお、複数の対照の飲水量、飲酒量、身体活動量、尿の色の１つ以上の情報を含めて機械学習を行ってもよい。
【0081】
解析結果は、悪化した健康状態を経験している、あるいは今後経験する可能性がある状態を疫学情報から文献的に見出すことが可能である。例えば、血清Ｎａ値が１４２ｍＥｑ／Ｌを超える生活者は血清Ｎａ値が１４２ｍＥｑ／Ｌ未満の生活者よりも認知障害や高血圧の発症リスクが高いことが見出されており、健康リスクが高いと評価することが可能である。
【0082】
＜栄養＞
栄養状態に関する栄養状態予測モデルは、栄養補給が出来ていない人の症状の程度を予測するために利用される。そのような栄養状態予測モデルを構築するためには、説明変数となる行動データ及び目的変数となる症状データは、それぞれ、複数の対照の各々について購買履歴を示す購買データ及び各対照の栄養低下を反映し得る自覚症状である。
栄養状態に関する栄養状態予測モデルは、栄養補給が出来ていない人の症状の程度を予測するために利用される。そのような栄養状態予測モデルを構築するためには、説明変数となる行動データ及び目的変数となる症状データは、それぞれ、複数の対照の各々について購買履歴を示す購買データ及び各対照の栄養低下を反映し得る自覚症状である。
【0083】
購買データは、先の更年期症状の例と同様の方法によって取得され得る。例えば複数の対照の各々が一定期間、例えば一年間、にわたって購入した食品および／または日用品の購買履歴が取得され得る。一方、栄養低下を反映し得る自覚症状は、アンケート等によって取得された各対照の自覚症状であってもよいし、各対照を測定した結果認められる測定値であってもよい。症状の程度は、栄養低下に伴う自覚症状の有無、食品摂取の多様性得点（DVS）、食欲尺度短縮版（SNAQ：Simplified nutritional appetite questionnaire）、重度の睡眠症状、中程度の睡眠症状、軽度の睡眠症状であり得る。
【0084】
これらを用いて機械学習を行うことにより、栄養状態予測モデルを構築可能である。機械学習の手法として、例えば更年期症状の例と同様、ロジスティック回帰を利用し得る。そのような予測モデルを用いることで、栄養が乱れている対象の潜在的栄養症状を改善することが可能な製品を提供することができる。潜在的健康症状は、栄養不足、栄養の偏り、食生活から選択される1つ以上であり得る。なお、複数の対照の栄養不足、栄養の偏り、食生活からの１つ以上の情報を含めて機械学習を行ってもよい。
【0085】
上述の実施形態において説明した、情報処理装置３０のＣＰＵ４１によって実行されるフローチャート、及び情報処理装置１００のＣＰＵ１２１が実行するフローチャートは、コンピュータプログラムとして実現され得る。
【産業上の利用可能性】
【0086】
本発明の例示的な実施形態は、所定の疾病、あるいは、疾病には該当しないが日常生活に支障を来す症状を伴う障害などに関して、対象者に注意喚起を行うために用いられる予測モデルの構築及び、注意喚起を行うための情報提供に利用可能である。
【符号の説明】
【0087】
１ 学習システム
２ 予測システム
１０、３０ 情報処理装置
１２ 教師データ
１４ １以上の行動データ
１６ 健康関連データ群
１８ 症状データ
２１、４１ ＣＰＵ（演算回路）
２２ 通信インタフェース
２３、４３ 記憶装置
３０ 情報処理装置
４２ 入力Ｉ／Ｆ
４４ 出力Ｉ／Ｆ
２ 予測システム
１０、３０ 情報処理装置
１２ 教師データ
１４ １以上の行動データ
１６ 健康関連データ群
１８ 症状データ
２１、４１ ＣＰＵ（演算回路）
２２ 通信インタフェース
２３、４３ 記憶装置
３０ 情報処理装置
４２ 入力Ｉ／Ｆ
４４ 出力Ｉ／Ｆ
【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】