特開 2023-109481 妊娠関連有害事象の発生を予測する方法、予測装置及びコンピュータプログラム

(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】P2023109481

(43)【公開日】2023-08-08

(54)【発明の名称】妊娠関連有害事象の発生を予測する方法、予測装置及びコンピュータプログラム

(51)【国際特許分類】

   C12Q 1/04 20060101AFI20230801BHJP

   C12M 1/34 20060101ALI20230801BHJP

   G01N 33/48 20060101ALI20230801BHJP

   G01N 33/50 20060101ALI20230801BHJP

   G01N 33/68 20060101ALI20230801BHJP

   C12Q 1/68 20180101ALI20230801BHJP

   C12Q 1/6869 20180101ALI20230801BHJP

   C12N 1/20 20060101ALN20230801BHJP

【ＦＩ】

C12Q1/04

C12M1/34 D

G01N33/48 M

G01N33/50 J

G01N33/68

C12Q1/68 100Z

C12Q1/6869 Z

C12N1/20 A

【審査請求】未請求

【請求項の数】14

【出願形態】ＯＬ

(21)【出願番号】P 2022011019

(22)【出願日】2022-01-27

(71)【出願人】

【識別番号】598015084

【氏名又は名称】学校法人福岡大学

(71)【出願人】

【識別番号】510136312

【氏名又は名称】国立研究開発法人国立成育医療研究センター

(74)【代理人】

【識別番号】100145403

【弁理士】

【氏名又は名称】山尾 憲人

(74)【代理人】

【識別番号】100145104

【弁理士】

【氏名又は名称】膝舘 祥治

(74)【代理人】

【識別番号】100163902

【弁理士】

【氏名又は名称】市川 奈月

(72)【発明者】

【氏名】宮本 新吾

(72)【発明者】

【氏名】漆山 大知

(72)【発明者】

【氏名】柴田 磨己

(72)【発明者】

【氏名】秦 健一郎

【テーマコード（参考）】

2G045

4B029

4B063

4B065

【Ｆターム（参考）】

2G045AA25

2G045DA36

4B029AA07

4B029BB02

4B029FA01

4B063QA01

4B063QA18

4B063QA19

4B063QQ06

4B065AA01X

4B065AA30X

4B065AA49X

4B065BA22

4B065CA46

(57)【要約】

【課題】絨毛膜羊膜炎の発症の予測を容易かつ高精度に行う。
【解決手段】予測方法は、対象者の絨毛膜羊膜炎の発症を予測する方法であって、対象者の生体情報として、対象者の試料から得られた少なくとも１以上の細菌の組成情報と、対象者の少なくとも１以上の臨床情報とを取得し、過去に得られた複数の妊婦の生体情報と、当該妊婦の絨毛膜羊膜炎の発症歴との関係を利用して得られた値を用いて、対象者の生体情報で特定される所定のマトリクスを生成し、マトリクスを用いて、対象者の絨毛膜羊膜炎の発症を予測する。
【選択図】図１

【特許請求の範囲】

【請求項1】

対象者に生じる妊娠関連有害事象の発生を予測する予測方法であって、
前記対象者の生体情報として、前記対象者の試料から得られた少なくとも１以上の細菌の組成情報と、前記対象者の少なくとも１以上の臨床情報とを取得し、
過去に得られた複数の妊婦の前記生体情報と、当該妊婦に生じた妊娠関連有害事象の発生との関係を利用して得られた値を用いて、前記対象者の前記生体情報で特定される所定のマトリクスを生成し、
前記マトリクスを用いて、前記対象者の妊娠関連有害事象の発生を予測する、
予測方法。

【請求項2】

前記妊娠関連有害事象は、絨毛膜羊膜炎である
請求項１に記載の予測方法。

【請求項3】

過去に得られた複数の妊婦の前記生体情報は、前記複数の妊婦から得られた前記試料に前記細菌が含まれる程度を示す第１の数値と、前記複数の妊婦の前記臨床情報を示す第２の数値との組み合わせを含み、
前記マトリクスは、前記対象者から得られた前記試料に前記細菌が含まれる程度を示す第１の数値と、前記対象者の前記臨床情報を示す第２の数値とを含む
請求項２記載の予測方法。

【請求項4】

前記第１の数値及び前記第２の数値は、所定の閾値に応じて得られた０又は１のいずれかの値である請求項３記載の予測方法。

【請求項5】

前記マトリクスを構成する各値の合計値を所定の閾値と比較して、前記対象者の絨毛膜羊膜炎の発症を予測する請求項３又は４記載の予測方法。

【請求項6】

前記細菌は、下記で示される細菌群から選択された少なくともいずれかを含む請求項２乃至５のいずれか１記載の予測方法。
細菌群
・ラクトバチルス・イナース（Lactobacillus iners）
・ラクトバチルス・クリスパータス（Lactobacillus crispatus）
・ラクトバチルス・ガゼリ（Lactobacillus gasseri）
・ガードネレラ・バギナリス（Gardnerella vaginalis）
・アトポビウム・バギナエ（Atopobium vaginae）
・ラクトバチルス・ジェンセニイ（Lactobacillus jensenii）
・ウレアプラズマ・パルハム（Ureaplasma parvum）
・メガスファエラ・ゲノモスプ・タイプ１（Megasphaera genomosp. type_1）
・ストレプトコッカス・アガラクティアエ（Streptococcus agalactiae）

【請求項7】

前記臨床情報は、対象者の年齢、妊娠歴、出産歴、心拍数、白血球数、CRP値、体温、子宮頸管長からなる群から選択された少なくともいずれかを含む請求項２乃至６のいずれか１記載の予測方法。

【請求項8】

コンピュータに、請求項２乃至７のいずれか１記載の方法を実行させるコンピュータプログラム。

【請求項9】

対象者の絨毛膜羊膜炎の発症を予測する予測装置であって、
前記対象者の生体情報として、前記対象者の試料から得られた少なくとも１以上の細菌の組成情報と、前記対象者の少なくとも１以上の臨床情報とを受け付ける受付部と、
過去に得られた複数の妊婦の前記生体情報と、当該妊婦の前記絨毛膜羊膜炎の発症歴との関係を利用して得られた値を用いて、前記対象者の前記生体情報で特定される所定のマトリクスを生成し、前記マトリクスを用いて、前記対象者の絨毛膜羊膜炎の発症を予測する予測部と、
を備える予測装置。

【請求項10】

前記過去の複数の妊婦の生体情報は、前記複数の妊婦から得られた前記試料に前記細菌が含まれる程度を示す第１の数値と、前記複数の妊婦の前記臨床情報を示す第２の数値との組み合わせを含み、
前記予測部は、前記対象者から得られた前記試料に前記細菌が含まれる程度を示す第１の数値と、前記対象者の前記臨床情報を示す第２の数値とを含むマトリクスを生成する
請求項９記載の予測装置。

【請求項11】

前記予測部は、
前記対象者の試料から得られた値を、項目毎に予め定められる所定の閾値と比較して求めた０又は１の値を前記第１の数値として利用し、
前記対象者の臨床情報を、項目毎に予め定められる所定の閾値と比較して求めた０又は１の値を前記第２の数値として利用する
請求項１０記載の予測装置。

【請求項12】

前記予測部は、
前記マトリクスを構成する各値の合計値を所定の閾値と比較して、前記対象者の絨毛膜羊膜炎の発症を予測する請求項１０又は１１記載の予測装置。

【請求項13】

機械学習を利用して、前記予測部で利用する前記閾値を算出する算出部をさらに備える
請求項１２に記載の予測装置。

【請求項14】

機械学習を利用して、前記予測部でマトリクスの生成に利用する生体情報の種別及び項目数を再選択する選択部をさらに備える
請求項１３に記載の予測装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、妊娠関連有害事象の発生、例えば、絨毛膜羊膜炎の発症を予測する予測方法、予測装置及びコンピュータプログラムに関する。

【背景技術】

【0002】

絨毛膜羊膜炎は、胎児付属物である卵膜に細菌が感染して生じる炎症性疾患である。絨毛膜羊膜炎は、早産を引き起こす病態であり、また出生後の児の予後、例えば、中枢神経系障害、慢性呼吸障害等の後遺症と密接に関わっているとされる。

【0003】

絨毛膜羊膜炎の診断方法として、羊水から特定の微生物の検出を利用するものが知られている。また、近年、対象者の膣に由来する試料に含まれる特定の遺伝子の塩基配列のデータ群に基づいて、細菌の存在を検出して絨毛膜羊膜炎の発症を予測する技術もある（例えば、特許文献１参照）。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】国際公開第２０２１／１１２２３６号

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、特許文献１に記載の方法では、塩基配列のデータ群を利用して絨毛膜羊膜炎の発症を予測する際、特定細菌の菌種数に基づいて絨毛膜羊膜炎の発症を予測するが、より容易かつより高精度に予測する方法が求められている。また、菌種数のみによっては高精度な予測が困難な場合もあった。

【0006】

また、絨毛膜羊膜炎の発生の他、流産、早産、不妊症、妊娠高血圧症候群、胎児感染、新生児感染等の妊娠関連有害事象も、子宮内の特定細菌の菌種数と密接な関係がある。したがって、このような妊娠関連有害事象も、特定細菌の菌種数等を用いて予測可能であると考えられる。

【0007】

上記に鑑み、本発明は、絨毛膜羊膜炎の発症等の妊娠関連有害事象の発生を容易かつ高精度に予測する予測方法、予測装置及びコンピュータプログラムに関する。

【課題を解決するための手段】

【0008】

本開示に係る予測方法は、対象者の絨毛膜羊膜炎の発症等の妊娠関連有害事象を予測する予測方法であって、前記対象者の生体情報として、前記対象者の試料から得られた少なくとも１以上の細菌の組成情報と、前記対象者の少なくとも１以上の臨床情報とを取得し、過去に得られた複数の妊婦の前記生体情報と、当該妊婦の前記絨毛膜羊膜炎の発症歴との関係を利用して得られた値を用いて、前記対象者の前記生体情報で特定される所定のマトリクスを生成し、前記マトリクスを用いて、前記対象者の絨毛膜羊膜炎の発症を予測する。

【発明の効果】

【0009】

本開示の予測方法、予測装置及びコンピュータプログラムによれば、絨毛膜羊膜炎の発症等の妊娠関連有害事象の発生の予測を容易かつ高精度に行うことができる。

【図面の簡単な説明】

【0010】

【図1】予測装置の構成を示すブロック図である。

【図2】予測装置で生成されるマトリクス及びマトリクスを利用して得られるリスクスコアの一例である。

【図3】予測装置で利用する細菌情報の生成処理の一例を説明するフローチャートである。

【図4】予測装置で実行される予測処理の一例を説明するフローチャートである。

【図5A】予測装置で実行される閾値の算出及び項目の選択の処理を説明するフローチャートである。

【図5B】図５Ａに続いて予測装置で実行される閾値の算出及び項目の選択の処理を説明するフローチャートである。

【図6A】閾値の算出に利用されるROC曲線の一例である。

【図6B】閾値の算出に利用される別の項目のROC曲線の一例である。

【図7】臨床情報の各項目について得られた値の一例である。

【図8】複数の妊婦の細菌情報を用いて得られたマトリクスの一例である。

【図9】複数の細菌情報の重要度を降順で示す一例である。

【図10】複数の細菌種のグループにいて得られた値の一例である。

【図11】複数の妊婦の生体情報を用いて得られたマトリクス及びリスクスコアの一例である。

【図12】リスクスコアの閾値の算出に利用されるROC曲線の一例である。

【発明を実施するための形態】

【0011】

以下に、図面を参照して本開示に係る予測方法、予測装置及びコンピュータプログラムについて説明する。本開示に係る予測方法、予測装置及びコンピュータプログラムは、対象者の絨毛膜羊膜炎の発症等の妊娠関連有害事象の発生の可能性の程度を予測する。以下では、妊娠関連有害事象の発生の可能性の程度は、発生する可能性の高低、すなわち、発生する可能性が“高い（ハイリスクである）”又は“低い（ハイリスクでない、またはローリスクである）”のいずれかを予測するものとする。具体的には、発生する可能性がある割合（例えば、５０％）以上であるとき発生する可能性が高いとし、ある割合未満であるとき発生する可能性は低い等と予め定めることができる。しかしながら、発生する可能性を“１０％”、“５０％”、“７０％”等の割合で予測するものであってもよい。以下の説明では、同一の構成について、同一の符号を付して説明を省略する。

【0012】

以下の説明において「対象者」は、絨毛膜羊膜炎の発症等の妊娠関連有害事象の発生の可能性の高低に関する予測の対象となる者である。また、「妊娠関連有害事象」とは、例えば、絨毛膜羊膜炎、妊娠高血圧症候群、流産又は早産等の正産期前の出産、不妊症、胎児感染、新生児感染等の妊娠に事象である。なお、以下では、「妊娠関連有害事象の発生の可能性の予測」に関し、「絨毛膜羊膜炎の発生の可能性の高低に関する予測」を例として説明する。

【0013】

〈予測装置〉
図１を用いて、実施形態に係る予測装置１について説明する。予測装置１は、演算装置１１、記憶装置１２、入力装置１３、出力装置１４及び通信装置１５を備える情報処理装置によって実現される。

【0014】

演算装置１１は、予測装置１全体の制御を司るコントローラである。演算装置１１は、記憶装置１２に記憶される予測プログラムＰを実行することにより、受付部１１１及び予測部１１２としての処理を実行し、対象者の絨毛膜羊膜炎の発症の予測に関する種々の処理を実行しうる。また、演算装置１１は、算出部１１３としての処理を実行し、予測に用いる閾値の算出に関する種々の処理を実行しうる。さらに、演算装置１１は、選択部１１４としての処理を実行し、予測に用いる項目の選択に関する種々の処理を実行しうる。演算装置１１は、ハードウェアとソフトウェアの協働により所定の機能を実現する構成に限定されず、所定の機能を実現する専用に設計されたハードウェア回路でもよい。すなわち、演算装置１１は、ＣＰＵ、ＭＰＵ、ＧＰＵ、ＦＰＧＡ、ＤＳＰ、ＡＳＩＣ等、種々のプロセッサで実現することができる。

【0015】

記憶装置１２は、種々の情報を記録する記憶媒体である。記憶装置１２は、例えば、ＲＡＭ、ＲＯＭ、フラッシュメモリ、ＳＳＤ（Solid State Drive）、ハードディスクドライブ、その他の記憶デバイス又はそれらを適宜組み合わせて実現される。記憶装置１２は、演算装置１１が実行するコンピュータプログラムである予測プログラムＰの他、予測の処理で用いられる閾値データＤ１及び予測の処理で得られた履歴データＤ２等が格納される。

【0016】

入力装置１３は、予測のリクエストやデータの入力に利用される操作ボタン、キーボード、マウス、タッチパネル、マイクロフォン等の入力手段である。また、出力装置１４は、予測結果やデータの出力に利用されるディスプレイ、スピーカ等の出力手段である。

【0017】

通信装置１５は、外部の装置（例えば、データ群を記憶する記憶媒体）とのデータ通信を可能とするための通信手段である。データ通信は、無線および／または有線による公知の通信規格にしたがって行われ得る。例えば、有線によるデータ通信は、イーサネット（登録商標）規格、および／またはＵＳＢ（登録商標）規格等に準拠して動作する半導体集積回路の通信コントローラを通信装置１５として用いることによって行われる。また無線によるデータ通信は、ＬＡＮ（Local Area Network）に関するＩＥＥＥ８０２．１１規格、および／または移動体通信に関する、いわゆる４Ｇ／５Ｇと呼ばれる、第４世代／第５世代移動通信システム等に準拠して動作する半導体集積回路の通信コントローラを通信装置１５として用いることによって行われる。

【0018】

受付部１１１は、対象者の生体情報を受け付ける。受付部１１１が取得する生体情報は、対象者の試料から得られた少なくとも１以上の細菌の組成情報と、対象者の少なくとも１以上の臨床情報とを含む。受付部１１１が取得する細菌の組成情報は、複数の細菌の組成情報、具体的には、細菌群の組成情報であることが好ましい。また、受付部１１１が取得する臨床情報も、複数種の臨床情報であることが好ましい。

【0019】

生体情報を得るための「試料」は、常在細菌叢を含む、対象者の分泌物等の試料である。具体的には、分泌物は、膣分泌物、便、皮膚、羊水、唾液等が考え得る。分泌物として、膣分泌物等を利用することで、非侵襲性の予測が可能となる。また、「細菌」は、例えば、下記で示される細菌群から選択されたいずれか１つである。具体的には、分泌物に含まれる細菌の割合を利用する。
細菌群
・ラクトバチルス・イナース（Lactobacillus iners）
・ラクトバチルス・クリスパータス（Lactobacillus crispatus）
・ラクトバチルス・ガゼリ（Lactobacillus gasseri）
・ガードネレラ・バギナリス（Gardnerella vaginalis）
・アトポビウム・バギナエ（Atopobium vaginae）
・ラクトバチルス・ジェンセニイ（Lactobacillus jensenii）
・ウレアプラズマ・パルハム（Ureaplasma parvum）
・メガスファエラ・ゲノモスプ・タイプ１（Megasphaera genomosp. type_1）
・ストレプトコッカス・アガラクティアエ（Streptococcus agalactiae）

【0020】

生体情報に含まれる臨床情報は、例えば、下記で示される臨床情報群から選択されたいずれか１つである。
臨床情報群
・対象者の年齢
・対象者の妊娠歴（例えば、今回を含む妊娠回数）
・対象者の出産歴（例えば、過去の出産回数）
・対象者の心拍数
・対象者の白血球数
・対象者のCRP値
・対象者の体温
・対象者の子宮頸管長

【0021】

このとき、対象者の妊娠歴及び出産回数等の臨床情報の一部については、一回の妊娠期間については、同一であるが、他の臨床情報及び細菌の組成情報は、一回の妊娠期間であっても変化するため、患者の臨床情報及び細菌の組成情報は、同一のタイミングで取得することが好ましい。例えば、臨床情報の各値の計測と、細菌の組成情報を計測するための分泌物の採取は一回の妊婦検診等の、同一のタイミングで行うことが好ましい。

【0022】

予測部１１２は、過去に得られた複数の妊婦の生体情報と、当該複数の妊婦の絨毛膜羊膜炎の発症歴との関係を利用して得られた閾値を利用して、受付部１１１が受け付けた対象者の生体情報で特定される所定のマトリクスを生成し、当該マトリクスから得られる値を用いて、対象者の絨毛膜羊膜炎の発症を予測する。

【0023】

まず、予測部１１２は、複数の妊婦から過去に得られた生体情報と、各妊婦の絨毛膜羊膜炎の発症歴とを関連付けるデータから得られた閾値を用いて、図２に示すようなマトリクスを生成する。例えば、図２に示すように、生体情報は、妊婦の試料に含まれる細菌の組成情報と、妊婦の臨床情報との組み合わせを含む。マトリクスの生成に利用する項目毎に設定される閾値は、閾値データＤ１として、記憶装置１２に記憶される。また、閾値データＤ１は、予測に利用する生体情報の項目の選択肢を含むことができる。予測部１１２は、閾値データＤ１に含まれる選択肢の生体情報の項目のみを含むことで、精度の高い予測結果を得ることができる。

【0024】

予測部１１２は、細菌の組成情報から「第１の数値」を求める。「第１の数値」は、例えば、妊婦の膣分泌物に上述した各細菌が検出された否か、又は、各菌が含まれる割合が細菌毎に設定された所定の閾値に応じて得られた０又は１のいずれかの値である。例えば、細菌毎に、細菌が検出されない場合、当該細菌に関する第１の数値を「０」とし、検出された場合、当該細菌に関する第１の数値を「１」とすることができる。

【0025】

また、予測部１１２は、臨床情報から「第２の数値」を求める。「第２の数値」は、例えば、上述した各臨床情報を示す数値そのものではなく、これら数値が、臨床情報の項目毎に設定された所定の閾値に応じて得られた０又は１のいずれかの値である。

【0026】

なお、利用する閾値の数は限定されない。例えば、予測部１１２は、１つの閾値を用いて「０」又は「１」に分類してもよい。また例えば、予測部１１２は、Ａ，Ｂの２つの閾値を用いて、Ａ未満及びＢ以上の範囲を「０」と分類し、Ａ～Ｂの範囲を「１」と分類してもよい。

【0027】

閾値データＤ１に含まれる臨床情報の項目毎の閾値は、例えば、過去に得られた複数の妊婦の臨床情報を示す数値と、その妊婦が絨毛膜羊膜炎を発症したか否かを用いて決定される。例えば各項目の臨床情報の閾値は、臨床情報毎に、ROC曲線を用いてAUCが最大となる値を閾値とすることができる。

【0028】

予測部１１２は、マトリクスを構成する各値を用いて、絨毛膜羊膜炎の発症の予測に用いるリスクスコアを求める。例えば、図２に示す例では、右に記載される値がリスクスコアである。この図２に示すリスクスコアは例えば、以下に示すような式（１）によって求められる。
リスクスコア＝（CAM項目合計数）－（non-CAM項目合計数） ・・・（１）
「CAM項目」とは、絨毛膜羊膜炎の陽性（CAM）の予測の判断に利用される項目であって、陽性のリスクが高い場合「１」となる項目である。「non-CAM項目」とは、絨毛膜羊膜炎の陰性（non-CAM）の予測の判断に利用される項目であって、陰性の可能性が高い場合「１」となる項目である。例えば、図２において、「CAM」と記載される項目が、CAM項目であり、「non-CAM」と記載される項目がnon-CAM項目である。したがって、「CAM」が「１」となった項目の合計数を「CAM項目合計数」とし、「non-CAM」が「１」となった項目の合計数を「non-CAM項目合計数」としてリスクスコアを算出する。

【0029】

予測部１１２は、得られたリスクスコアに応じて、絨毛膜羊膜炎の発症の予測結果を求める。例えば、リスクスコアが所定のスコア閾値以上である場合、絨毛膜羊膜炎を発症する可能性が高い、すなわち、発症の「可能性あり」と予測し、リスクスコアが所定のスコア閾値未満である場合、絨毛膜羊膜炎を発症する可能性が低い、すなわち、発症の「可能性なし」と予測するようにしてもよい。他の例としては、複数のリスクスコアの範囲を定め、リスクスコア毎に発生する可能性を示すレベルを割り当て予測結果としてもよい。なお、ここで利用するスコア閾値も閾値データＤ１に含むことができる。

【0030】

予測部１１２は、得られた予測結果を出力装置１４に出力する。また、予測部１１２は、予測に使用した生体情報及び得られた予測結果を追加して、履歴データＤ２を更新し、記憶装置１２に記憶させる。また、この履歴データＤ２では、予測の結果に応じて後に実際に診断して得られた感染の有無を関連付けてもよい。

【0031】

算出部１１３は、予測部１１２で予測され、記憶装置１２において履歴データＤ２に含まれる複数の妊婦の生体情報を用いて、閾値データＤ１に含まれる各項目の新たな閾値を算出し、閾値データＤ１を更新する。また、算出部１１３は、後段の選択部１１４によって予測に利用する項目が再選択されると、新たなスコア閾値を算出し、算出した新たなスコア閾値で閾値データＤ１を更新する。閾値データＤ１が更新されると、それ以降、予測部１１２は、閾値データＤ１に含まれる新たな閾値を利用して予測処理を実行する。

【0032】

選択部１１４は、スコアの算出に利用する細菌及び臨床情報の各項目について重要度を求め、予測に利用する項目を選択して、選択した生体情報の項目で新たな項目グループを生成し、新たな項目グループで閾値データＤ１を更新する。新たな項目グループが更新されると、それ以降、予測部１１２は、新たな項目グループに含まれる項目の生体情報を利用して予測処理を実行する。

【0033】

このように、予測装置１では、算出部１１３において予測結果を利用して各閾値を再計算するとともに、リスクスコアの算出に利用する細菌及び臨床情報の種別を見直すことで、対象者の絨毛膜羊膜炎の発症の予測精度を向上させることができる。

【0034】

《細菌情報の取得処理》
図３に示すフローチャートを用いて、予測装置１における予測処理の前提として行われる細菌情報の取得の処理を説明する。まず、対象者である妊婦から試料を採取する（Ｓ１１）。

【0035】

その後、ステップＳ１１で採取された試料から塩基配列のデータ群を取得する（Ｓ１２）。

【0036】

次に、ステップＳ１２で取得されたデータ群を利用して、予測処理に利用される特定細菌を検出する（Ｓ１３）。

【0037】

続いて、ステップＳ１３で検出された各特定細菌の情報を含む細菌情報が生成される（Ｓ１４）。

【0038】

なお、ステップＳ１１乃至Ｓ１３における処理の具体例については、補足として後述しうる。

【0039】

《絨毛膜羊膜炎の発症の予測処理》
図４に示すフローチャートを用いて、予測装置１における絨毛膜羊膜炎の発症の予測処理を説明する。まず、受付部１１１は、対象者である妊婦の生体情報を受け付ける（Ｓ２１）。生体情報は、図３に示すフローチャートを用いて上述したように生成された細菌情報と、対象者の臨床情報とを含む。

【0040】

予測部１１２は、ステップＳ２１で受け付けた生体情報の複数の項目から、絨毛膜羊膜炎の発症予測に利用する１の項目を選択する（Ｓ２２）。ここで、発症の予測処理に利用する生体情報の項目は、例えば、閾値データＤ１に含まれる。

【0041】

予測部１１２は、ステップＳ２２で選択した生体情報の項目の値を、閾値データＤ１で定められる当該生体情報の項目の閾値と比較する（Ｓ２３）。閾値以上であるとき（Ｓ２３でＹＥＳ）、予測部１１２は、当該項目の第１の数値又は第２の数値を「１」とする（Ｓ２４）。一方、閾値未満であるとき（Ｓ２３でＮＯ）、予測部１１２は、当該項目の第１の数値又は第２の数値を「０」とする（Ｓ２５）。

【0042】

予測部１１２は、発症予測に利用する全ての生体情報の項目について第１の数値及び第２の数値の決定が終了するまでステップＳ２２～Ｓ２５の処理を繰り返す（Ｓ２６）。

【0043】

発症予測に利用する全ての生体情報の項目について第１の数値及び第２の数値の決定が終了すると（Ｓ２６でＹＥＳ）、予測部１１２は、得られた第１の数値及び第２の数値を用いたマトリクスを生成する（Ｓ２７）。

【0044】

予測部１１２は、ステップＳ２７で生成したマトリクスを用いて、リスクスコアを算出する（Ｓ２８）。

【0045】

予測部１１２は、ステップＳ２８で算出したリスクスコアをスコア閾値と比較し、絨毛膜羊膜炎の発症を予測する（Ｓ２９）。

【0046】

予測部１１２は、ステップＳ２９で得られた予測結果を出力装置１４に出力させる（Ｓ３０）。

【0047】

このように、予測装置１は、過去に得られた複数の妊婦の生体情報と、当該複数の妊婦の絨毛膜羊膜炎の発症歴との関係を利用して得られた閾値を用いて、対象者である妊婦の絨毛膜羊膜炎の発症を予測することができる。

【0048】

また、予測の結果、絨毛膜羊膜炎の発症の可能性がある、又は、発症のリスクが高いと予測される対象には、羊水検査等の追加検査を実施してもよく、必要に応じて経過観察、治療介入等の処置を実施してもよい。

【0049】

《閾値算出・項目選択の処理》
図５Ａ及び図５Ｂに示すフローチャートを用いて、予測装置１における各閾値の算出及び予測に利用する生体情報の項目の選択の処理を説明する。図５Ａに示すように、まず、算出部１１３は、過去に得られた複数の妊婦の生体情報と、各妊婦の絨毛膜羊膜炎の発症歴とを受け付ける（Ｓ４１）。生体情報は、図２を用いて上述したように、細菌情報と臨床情報とを含む。また、発症歴は、絨毛膜羊膜炎が陽性又は陽性のいずれであったかを示す情報である。この生体情報及び発症歴は、記憶装置１２に記憶される履歴データＤ２を利用してもよい。

【0050】

算出部１１３は、ステップＳ４１で受け付けた複数の生体情報の項目のうち、１の臨床情報の項目を選択する（Ｓ４２）。

【0051】

算出部１１３は、ステップＳ４２で選択した臨床情報の項目に関し、複数の妊婦の値を用いて、ROC曲線を生成する（Ｓ４３）。

【0052】

また、算出部１１３は、ステップＳ４３で生成されたROC曲線を用いて、AUC、９５％信頼区間（CI）、閾値、感度、特異度、PPV及びNPVとともに、絨毛膜羊膜炎患者（CAM）の生体情報の平均値及び非絨毛膜羊膜炎患者（non-CAM）の生体情報の平均値の各値を算出する（Ｓ４４）。例えば、算出部１１３は、陽性と陰性との区別、具体的には、CAMとnon-CAMとを区別する際の最適な閾値の算出にYouden’s indexを用いる。なお、初回に利用する閾値の決定には、同一の方法である必要はなく、今回の例では、Blanc's classificationを利用した。

【0053】

また、算出部１１３は、全ての生体情報の項目について閾値等の各値及び平均値の算出が終了するまでステップＳ４２～Ｓ４４の処理を繰り返す（Ｓ４５）。

【0054】

図６Ａは、年齢、妊娠歴（妊娠回数）、出産歴（出産回数）及び子宮頸管長の各値に関するROC曲線を示す。図６Ａに示すROC曲線を用いた例では、CAMとnon-CAMとを区別する年齢の閾値が「３0．５（歳）」、妊娠歴（妊娠回数）の閾値が「2．５（回）」、出産歴（出産回数）の閾値が「０．５（回）」、子宮頸管長の閾値が「19.5(mm)」とされた。また、図６Ｂは、CRP値、体温、心拍数及び白血球数の各値に関するROC曲線を示す。図６Ｂに示すROC曲線を用いた例では、CRP値の閾値が「０．24（mg/dl）」、体温の閾値が「３６．7５（℃）」、心拍数の閾値が「９３（bpm）」、白血球数の閾値が「11800(/μl)（mm）」とされた。対象者の臨床情報の値がこの閾値以上であると、対象の臨床情報に関する第２の数値は「１」となり、閾値未満であると、対象の臨床情報に関する第２の値は「０」となる。

【0055】

また、図７は、ROC曲線を用いて臨床情報の種別毎に得られたAUC、９５％信頼区間（CI）、閾値、各臨床情報の種別毎に算出したCAMグループの各値の平均値、non-CAMグループの各値の平均値、感度、特異度、PPV及びNPVの一例である。

【0056】

選択部１１４は、全ての項目について各値が算出されると（Ｓ４５でＹＥＳ）、所定の条件を満たす臨床情報項目を選択する（Ｓ４６）。例えば、選択部１１４は、AUCが所定値（例えば、０．６５）以上の臨床情報を、選択するようにしてもよい。

【0057】

その後、選択部１１４は、CAM項目及びnon-CAM項目を決定する（Ｓ４７）。例えば、選択部１１４は、AUCが所定値（例えば、０．６５）以上の臨床情報を選択する。また、選択手段１１４は、選択された各臨床情報について、CAMグループの平均値とnon-CAMグループの平均値を比較し、non-CAMグループの平均値が大きい場合、「non-CAM項目」とし、CAMグループの平均値が大きい場合、「CAM項目」とする。なお、臨床情報の選択は、AUCの利用の他、Random Forestを利用してもよい。

【0058】

また、図５Ｂに示すように、算出部１１３は、複数の妊婦の細菌情報の各値について、妊婦の試料から検出されたか否かに応じて定められる値でマトリクスを生成する（Ｓ４８）。図８は、各妊婦の細菌情報の値から得られたマトリクスの一例である。算出部１１３は、検出された細菌種の値を「１」、検出されない細菌種の値を「０」として図８に示すようなマトリクスを生成する。

【0059】

次に、算出部１１３は、各細菌種について、重要度を算出する（Ｓ４９）。例えば、算出部１１３は、機械学習のアルゴリズムの１つであるRandom Forestで、図９に一例を示すように、non-CAMかCAMかを鑑別する際の各細菌種の重要度を計算する。

【0060】

その後、選択部１１４は、異なる種別の項目を異なる数含む複数の項目のグループを生成する（Ｓ５０）。選択部１１４は、図１０に一例を示すように、重要度が所定値以上の細菌種で全ての組み合わせのグループを生成する。図１０では、３通りの組み合わせのみを示すが、実際は、選択部１１４は、取り得る全ての細菌種のグループを生成する。

【0061】

選択部１１４は、ステップＳ５０で生成した各グループのAUCを算出する（Ｓ５１）。図１０に示す例は、３通りの細菌種のグループのAUCの値である。また、図１０に示す例では、選択部１１４は、信頼区間、閾値、感度、特異度、ＰＰＶ，ＮＰＶ、精度も算出している。

【0062】

選択部１１４は、複数のグループの中からステップＳ４９で得られた予測が最良となるグループ、及び、特定の細菌種を選択する（Ｓ５２）。例えば、選択部１１４は、ステップＳ４９で算出したAUCを用いて、次回の予測処理で使用する細菌種のグループを選択する。このとき、予測の精度はAUCだけでなく、図１０に一例を示す信頼区間、閾値、感度、及び／又は、特異度など、Random Forestで算出される他の値でも判断することが出来る。図１０に示す例では、グループ２が最もAUCが高いことがわかる。したがって、仮に、図１０に示すグループ１～３の中からAUCを用いて選択する場合、選択部１１４は、グループ２を選択する。また、「特定の細菌種」は、CAMグループのみで検出された細菌種及びnon-CAMグループのみで検出された細菌種を含むことが出来る。

【0063】

その後、選択部１１４は、CAM項目及びnon-CAM項目を決定する（Ｓ５３）。例えば、選択部１１４は、ステップＳ４８で生成したマトリクスを用いて、各細菌種について、CAMグループの合計数とnon-CAMグループの合計数を比較し、CAMグループの合計数が多い項目は、「CAM項目」とし、non-CAMグループの合計数が多い項目は「non-CAM項目」とする。なお、仮にステップＳ５２で選択されたグループグループに含まれていない場合であっても、選択部１１４は、ステップＳ５２でCAMグループのみで検出された細菌種は、「CAM項目」としてもよいし、non-CAMグループのみで検出された細菌種は、「non-CAM項目」としてもよい。

【0064】

算出部１１３は、ステップＳ５２で選択した項目の第１の数値及び、ステップ４６で選択した項目の第２の数値を使用して求めるリスクスコアと比較するリスクスコア閾値を算出する（Ｓ５３）。具体的には、選択部１１４は、図１１に示すように、複数の妊婦の選択された細菌種の第１の数値及び選択された臨床情報の第２の数値を用いて、式（１）によりCAMグループのnon-CAMグループのリスクスコアを算出し、図１２に示すようにROC曲線を生成し、リスクスコア閾値を求める。
リスクスコア＝（CAM項目合計数）－（non-CAM項目合計数） ・・・（１）

【0065】

なお、図５Ａ及び図５Ｂに示すフローチャートの順序は一例である。例えば、同時に実行可能な処理については、同時に実行することができる。具体的には、ステップＳ４２乃至Ｓ４７の臨床情報に関する一連の処理と、ステップＳ４８乃至Ｓ５３の細菌情報に関する一連の処理とを並列して実行してもよい。

【0066】

このように、予測装置１は、新たに得られた複数の妊婦の生体情報と、当該複数の妊婦の絨毛膜羊膜炎の発症歴とを利用して、予測に利用する閾値を再計算するとともに、予測に利用する生体情報の項目を再選択する。これにより、発症予測の精度を向上させることができる。例えば、このように、生体情報の項目を再選択可能とすることで、人種、生活習慣、疾患、合併症等が異なる対象群に、より適切な予測をすることができる。換言すると、予測装置１は、自己学習をすることにより、使用により、予測精度を向上させることが可能となる。

【0067】

《補足》
羊水を試料として、羊水に含まれる細菌叢を分析する方法では、絨毛膜羊膜炎から羊水感染まで病態が進行していないと細菌を検出することができない。したがって、絨毛膜羊膜炎を発症している対象については絨毛膜羊膜炎の存在を出生前に検出することができるものの、絨毛膜羊膜炎を発症していない対象についての絨毛膜羊膜炎発症の可能性を予測することは困難であると考えられる。また、羊水採取は対象に対する侵襲を伴い、容易に実施することが困難であるし、複数回の羊水採取は更にリスクが高く、その実施は更に困難である。一方、絨毛膜羊膜炎の発症予測方法では、対象の膣に由来する試料に含まれる細菌叢を分析して、特定の細菌の存在の有無に基づいて絨毛膜羊膜炎の発症の可能性を予測することができる。検出対象となる細菌種は後述するように、膣に由来する試料と分娩後の胎盤病理検査による確定診断とを関連付けて選択されるため、高い感度で絨毛膜羊膜炎発症の可能性を予測することができる。

【0068】

図３のフローチャートのステップＳ１２では、対象者の膣に由来する試料に含まれる１６ＳリボソームＲＮＡ遺伝子の塩基配列のデータ群を得る。絨毛膜羊膜炎の発症予測方法における対象者としては、ヒトの妊婦であればよく、例えば、周産期の妊婦であってよく、切迫早産が懸念される周産期の妊婦であってよい。ステップＳ１２で採取する対象者の試料は、例えば、膣に由来する試料である。例えば、試料は、膣スワブであってよい。膣スワブは市販のキット、例えば、オプティスワブ トランスポート・システム（Ｐｕｒｉｔａｎ社）、Ｃａｔｃｈ－Ａｌｌ Ｓａｍｐｌｅ Ｃｏｌｌｅｃｔｉｏｎ Ｓｗａｂ（Ｅｐｉｃｅｎｔｒｅ社）等の通常用いられる方法を採用して採取することができる。採取した試料は例えば、－８０℃で保存しておくことができる。

【0069】

試料に含まれる１６ＳリボソームＲＮＡ遺伝子の塩基配列のデータ群は、例えば以下のような分析方法で得ることができる。試料からＤＮＡを抽出することと、抽出されたＤＮＡを１６ＳリボソームＲＮＡ遺伝子に対するユニバーサルプライマーセットを用いてＰＣＲで増幅して１６ＳリボソームＲＮＡ遺伝子のアンプリコン（ＰＣＲ増幅産物）を得ることと、アンプリコンに含まれる１６ＳリボソームＲＮＡ遺伝子の塩基配列を無作為に決定することとを含む方法で、１６ＳリボソームＲＮＡ遺伝子の塩基配列のデータ群を得ることができる。

【0070】

試料からのＤＮＡの抽出は、当該技術分野で慣用されているＤＮＡ抽出方法によって実施することができる。例えば、ガラスビーズ等を用いるビーズ処理によって物理的に細胞を破砕して溶菌し、市販のＤＮＡ抽出キット等を用いて試料に含まれるＤＮＡを抽出することができる。

【0071】

抽出したＤＮＡを鋳型として、１６ＳリボソームＲＮＡ遺伝子に対するユニバーサルプライマーセットを用いてＰＣＲで増幅することで、１６ＳリボソームＲＮＡ遺伝子のアンプリコンを得ることができる。１６ＳリボソームＲＮＡ遺伝子に対するユニバーサルプライマーセットの増幅対象領域は、１６ＳリボソームＲＮＡ遺伝子のＶ１からＶ９のすべての可変領域のいずれであってもよく、例えば、Ｖ１領域とＶ２領域を挟む保存領域を増幅対象領域とすることができる。これにより、１６ＳリボソームＲＮＡ遺伝子から有効な系統分類情報が容易に得られる。ここで、ユニバーサルプライマーは、いわゆるバーコード配列等を含んでいてよく、バーコード配列は５’末端および３’末端のいずれに配置されていてもよい。

【0072】

得られたアンプリコンに含まれる１６ＳリボソームＲＮＡ遺伝子の塩基配列を無作為に決定することで塩基配列のデータ群が得られる。塩基配列のデータ群は、ある細菌種に特異的な１６ＳリボソームＲＮＡ遺伝子の塩基配列と、その塩基配列を有するオリゴヌクレオチドの存在量（例えば、リード数等）との組み合わせで構成される。ここで「無作為に決定する」とは、塩基配列を決定すべきＤＮＡ等の混合物中から、ある特定の配列のものだけ選択したり、ある配列のものを排除したりすることなく、できるだけランダムに、その混合物中に含まれる任意の塩基配列を決定するという意味である。そのようにして塩基配列を無作為に決定すると、抽出されたＤＮＡ等の混合物中での濃度が高い塩基配列を有するＤＮＡについては、塩基配列決定の対象となる頻度が高くなり、逆に濃度が低い塩基配列を有するＤＮＡについては、塩基配列決定の対象となる頻度が低くなる。一方、膣に由来する試料に含まれる膣内細菌叢は複数種類の細菌を含み、それぞれの菌種に特有の塩基配列を１６ＳリボソームＲＮＡ遺伝子上に有している。したがって、膣に由来する試料から調製したＤＮＡ等の混合物の塩基配列を無作為に決定することによって得られる塩基配列のデータ群中では、任意に選択され得る塩基配列に合致する塩基配列（例えばある特定の菌種に特有の塩基配列に合致するもの）のリード数が、膣内細菌叢を構成する細菌の存在量の多寡を反映することになる。すなわち、その塩基配列のデータ群が、膣内細菌叢の菌叢構造を反映することになる。

【0073】

アンプリコンに含まれる１６ＳリボソームＲＮＡ遺伝子の塩基配列は、いわゆる次世代シーケンサー（ＮＧＳ）を用いて決定される。次世代シーケンサーとは、サンガー法を用いるキャピラリーシーケンサーと対比される用語である。次世代シーケンサーでは、合成シーケンシング法、パイロシーケンシング法、リガーゼ反応シーケンシング法等のシーケンシング原理が用いられる。次世代シーケンサーとして具体的には、ＭｉｎＩＯＮ（登録商標）システム(株式会社オックスフォード・ナノポアテクノロジーズ)、ＭｉＳｅｑ（登録商標）システム（ｉｌｌｍｉｎａ社）、ＨｉＳｅｑ（登録商標）システム（ｉｌｌｍｉｎａ社）、ＩｏｎＰＧＭ（登録商標）システム（Ｌｉｆｅ Ｔｅｃｈｎｏｌｏｇｙ社）等が挙げられる。次世代シーケンサーによるアンプリコンシーケンシングは、メーカー推奨プロトコールに従って実施することができる。またシーケンシング解析では、クオリティコントロールにより、低クオリティリードなどを削除した上で、所定の数のリードを塩基配列のデータ群とすることができる。

【0074】

図３のフローチャートのステップＳ１２では、次世代シーケンサーを用いる網羅的な解析に代えて、上記細菌群を構成するそれぞれの菌種に特異的なプライマーセットを用いて定量ＰＣＲを実施して、膣に由来する試料に含まれる１６ＳリボソームＲＮＡ遺伝子の塩基配列のデータ群を得てもよい。それぞれの菌種に特異的なプライマーセットは、例えば、ＲＤＰ(Ribosomal Database Project, http://rdp.cme.msu.edu)から得られるそれぞれの細菌種についての１６ＳリボソームＲＮＡ遺伝子の標準配列に基づいて作成することができる。具体的には、ＭＥＧＡ(Molecular Evolutionary Genetics Analysis, http://www.megasoftware.net)を用いてマルチプルアライメントし、１６ＳリボソームＲＮＡ遺伝子中における菌種内で共通かつ菌種間で異なる塩基配列を同定する。次いでその塩基配列に対するプライマーセットを設計することで、それぞれの菌種に特異的なプライマーセットを得ることができる。なお、設計したプライマーセットの特異性は、ｉｎ－ｓｉｌｉｃｏ ＰＣＲ等で確認してもよい。

【0075】

定量ＰＣＲは、ＰＣＲ増幅産物を定量的に得られる手法であればよく、リアルタイムＰＣＲ、デジタルＰＣＲ等の公知の手法を用いることができる。この場合、塩基配列のデータ群は、特定のプライマーセットの増幅対象領域の塩基配列と、その塩基配列を有するオリゴヌクレオチドの存在量（例えば、コピー数等）との組み合わせであり、次世代シーケンサーで得られる塩基配列のデータ群と実質的に同一であると考えられる。

【0076】

図３のフローチャートのステップＳ１３では、得られる塩基配列のデータ群に基づいて、前記細菌群から選択される特定細菌の存在を検出する。これにより試料に含まれる特定細菌の菌種数が特定される。試料における特定細菌の存在は、その菌種に特異的な１６ＳリボソームＲＮＡ遺伝子の塩基配列を有するオリゴヌクレオチドの存在量に基づいて判断することができる。塩基配列のデータ群が次世代シーケンサーで得られる場合、特定の塩基配列を有するオリゴヌクレオチドのリード数、または特定の塩基配列を有するオリゴヌクレオチドのリード数を全菌種のリード数で補正した補正値が、所定のカットオフ値以上である場合に、特定の塩基配列に対応する菌種が存在すると判断してよい。また、塩基配列のデータ群が定量ＰＣＲで得られる場合、特定の塩基配列を有するオリゴヌクレオチドのコピー数を全菌種のコピー数で補正した補正値が、所定のカットオフ値以上であれば、特定の塩基配列に対応する菌種が存在すると判断することができる。

【0077】

なお、上述の例では、生体情報として、試料に細菌が含まれる程度を示す第１の数値と、臨床情報を示す第２の数値とを用いる一例で説明したが、上記に加え又は代えて、Caho1の値に基づいて求められた０又は１の値、及び／又はCST（community state types）のレベルに基づいて求められた０又は１のいずれかの値を利用してもよい。「Chao1」は、チャオA著、「Nonparametric Estimation of the Number of Classes in a Population」、Scandinavian Journal of Statistics、1984年、265-270頁に定義される。また、「CTS」は、ラヴェルV他14名著、「Vaginal microbiome of reproductive-age women」、Proceedings of the National Academy of Sciences of the United States of America、2010年6月3日、4680-4687頁に定義される。

【産業上の利用可能性】

【0078】

本開示は、特定の妊娠関連有害事象の発生の発症の予測に有用である。

【符号の説明】

【0079】

１ 予測装置
１１ 演算装置
１１１ 受付部
１１２ 予測部
１１３ 算出部
１１４ 選択部
１２ 記憶装置
１３ 入力装置
１４ 出力装置
１５ 通信装置

【図1】

【図2】

【図3】

【図4】

【図5A】

【図5B】

【図6A】

【図6B】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】