ホーム > 特許ランキング > 国立大学法人山口大学
知財求人 - 知財ポータルサイト「IP Force」
(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】P2023057718
(43)【公開日】2023-04-24
(54)【発明の名称】病気の重症化予測システム
(51)【国際特許分類】
G16H 50/50 20180101AFI20230417BHJP
G16Y 10/60 20200101ALI20230417BHJP
【ＦＩ】
G16H50/50
G16Y10/60
【審査請求】未請求
【請求項の数】11
【出願形態】ＯＬ
(21)【出願番号】P 2021167363
(22)【出願日】2021-10-12
(71)【出願人】
【識別番号】304020177
【氏名又は名称】国立大学法人山口大学
(74)【代理人】
【識別番号】100141173
【弁理士】
【氏名又は名称】西村 啓一
(72)【発明者】
【氏名】浅井 義之
(72)【発明者】
【氏名】濱田 和希
(72)【発明者】
【氏名】松永 和人
【テーマコード（参考）】
5L099
【Ｆターム（参考）】
5L099AA04
(57)【要約】
【課題】機械学習により病気の重症化の有無の予測を支援する。
【解決手段】本発明に係る重症化予測用学習モデル生成方法は、患者が罹患している病気の重症化の有無を予測するための重症化予測用学習モデルを生成する。同方法は、病気の罹患歴を有する複数の解析対象患者から得られる複数の項目ごとの解析対象患者情報を取得する情報取得ステップＳ１０２と、解析対象患者情報を説明変数とし重症化の有無を目的変数として１次学習モデルを構築する第１学習ステップＳ１０３と、１次学習モデルにおいて、寄与度を取得する寄与度取得ステップＳ１０４と、寄与度に基づいて複数の項目の中から、複数の特定項目を選択する選択ステップＳ１０６と、複数の特定項目に対応する解析対象患者情報を説明変数とし重症化の有無を目的変数として重症化予測用学習モデルとなる２次学習モデルを構築する第２学習ステップＳ１０７と、を有してなる。
【選択図】図６
【解決手段】本発明に係る重症化予測用学習モデル生成方法は、患者が罹患している病気の重症化の有無を予測するための重症化予測用学習モデルを生成する。同方法は、病気の罹患歴を有する複数の解析対象患者から得られる複数の項目ごとの解析対象患者情報を取得する情報取得ステップＳ１０２と、解析対象患者情報を説明変数とし重症化の有無を目的変数として１次学習モデルを構築する第１学習ステップＳ１０３と、１次学習モデルにおいて、寄与度を取得する寄与度取得ステップＳ１０４と、寄与度に基づいて複数の項目の中から、複数の特定項目を選択する選択ステップＳ１０６と、複数の特定項目に対応する解析対象患者情報を説明変数とし重症化の有無を目的変数として重症化予測用学習モデルとなる２次学習モデルを構築する第２学習ステップＳ１０７と、を有してなる。
【選択図】図６
【特許請求の範囲】
【請求項1】
患者が罹患している病気の重症化の有無を予測するために用いられる重症化予測用学習モデルを生成する病気の重症化予測用学習モデル生成方法であって、
前記病気の罹患歴を有する複数の解析対象患者から得られる複数の項目ごとの解析対象患者情報を取得する情報取得ステップと、
複数の前記項目に対応する前記解析対象患者情報を説明変数とし、前記重症化の有無を目的変数として、前記重症化の有無を予測するための１次学習モデルを構築する第１学習ステップと、
前記１次学習モデルにおいて、複数の前記項目ごとに前記重症化の有無の予測精度の向上への寄与度を取得する寄与度取得ステップと、
前記寄与度に基づいて、複数の前記項目の中から、複数の特定項目を選択する選択ステップと、
複数の前記特定項目に対応する前記解析対象患者情報を説明変数とし、前記重症化の有無を目的変数として、前記重症化予測用学習モデルとなる２次学習モデルを構築する第２学習ステップと、
を有してなる、
ことを特徴とする病気の重症化予測用学習モデル生成方法。
前記病気の罹患歴を有する複数の解析対象患者から得られる複数の項目ごとの解析対象患者情報を取得する情報取得ステップと、
複数の前記項目に対応する前記解析対象患者情報を説明変数とし、前記重症化の有無を目的変数として、前記重症化の有無を予測するための１次学習モデルを構築する第１学習ステップと、
前記１次学習モデルにおいて、複数の前記項目ごとに前記重症化の有無の予測精度の向上への寄与度を取得する寄与度取得ステップと、
前記寄与度に基づいて、複数の前記項目の中から、複数の特定項目を選択する選択ステップと、
複数の前記特定項目に対応する前記解析対象患者情報を説明変数とし、前記重症化の有無を目的変数として、前記重症化予測用学習モデルとなる２次学習モデルを構築する第２学習ステップと、
を有してなる、
ことを特徴とする病気の重症化予測用学習モデル生成方法。
【請求項2】
取得された前記寄与度の大きさに基づいて、複数の前記項目それぞれに順位を付ける順位付ステップ、
を有してなり、
前記選択ステップにおいて、複数の前記特定項目は、前記順位に基づいて選択される、
請求項１記載の病気の重症化予測用学習モデル生成方法。
を有してなり、
前記選択ステップにおいて、複数の前記特定項目は、前記順位に基づいて選択される、
請求項１記載の病気の重症化予測用学習モデル生成方法。
【請求項3】
複数の前記特定項目は、
前記順位が上位「ｎ」（ｎは２以上の整数）位以内の複数の前記項目、
を含む、
請求項２記載の病気の重症化予測用学習モデル生成方法。
前記順位が上位「ｎ」（ｎは２以上の整数）位以内の複数の前記項目、
を含む、
請求項２記載の病気の重症化予測用学習モデル生成方法。
【請求項4】
前記項目は、前記解析対象患者の属性、前記解析対象患者の行動履歴、および前記解析対象患者が受けた検査項目、を含む、
請求項１乃至３のいずれかに記載の病気の重症化予測用学習モデル生成方法。
請求項１乃至３のいずれかに記載の病気の重症化予測用学習モデル生成方法。
【請求項5】
前記病気は、気管支喘息であり、
前記項目は、増悪回数、ＢＭＩ、年齢、呼気一酸化窒素、血中好酸球、白血球数、％予測１秒量、％予測努力性肺活量、副鼻腔炎の有無、および喫煙歴、を含み、
前記特定項目は、前記増悪回数および前記年齢、を含み、
前記重症化の有無は、１秒量の経年低下量が所定の閾値以上か否かで定義される、
請求項４記載の病気の重症化予測用学習モデル生成方法。
前記項目は、増悪回数、ＢＭＩ、年齢、呼気一酸化窒素、血中好酸球、白血球数、％予測１秒量、％予測努力性肺活量、副鼻腔炎の有無、および喫煙歴、を含み、
前記特定項目は、前記増悪回数および前記年齢、を含み、
前記重症化の有無は、１秒量の経年低下量が所定の閾値以上か否かで定義される、
請求項４記載の病気の重症化予測用学習モデル生成方法。
【請求項6】
患者が罹患している病気の重症化の有無を予測するために用いられる重症化予測用学習モデルを生成する病気の重症化予測用学習モデル生成装置であって、
前記病気の罹患歴を有する複数の解析対象患者から得られる複数の項目ごとの解析対象患者情報を取得する生成情報取得部と、
複数の前記項目に対応する前記解析対象患者情報を説明変数とし、前記重症化の有無を目的変数として、前記重症化の有無を予測するための１次学習モデルを構築する第１学習部と、
前記１次学習モデルにおいて、複数の前記項目ごとに前記重症化の有無の予測精度の向上への寄与度を取得する寄与度取得部と、
前記寄与度に基づいて、複数の前記項目の中から、複数の特定項目を選択する選択部と、
複数の前記特定項目に対応する前記解析対象患者情報を説明変数とし、前記重症化の有無を目的変数として、前記重症化予測用学習モデルとなる２次学習モデルを構築する第２学習部と、
を有してなる、
ことを特徴とする病気の重症化予測用学習モデル生成装置。
前記病気の罹患歴を有する複数の解析対象患者から得られる複数の項目ごとの解析対象患者情報を取得する生成情報取得部と、
複数の前記項目に対応する前記解析対象患者情報を説明変数とし、前記重症化の有無を目的変数として、前記重症化の有無を予測するための１次学習モデルを構築する第１学習部と、
前記１次学習モデルにおいて、複数の前記項目ごとに前記重症化の有無の予測精度の向上への寄与度を取得する寄与度取得部と、
前記寄与度に基づいて、複数の前記項目の中から、複数の特定項目を選択する選択部と、
複数の前記特定項目に対応する前記解析対象患者情報を説明変数とし、前記重症化の有無を目的変数として、前記重症化予測用学習モデルとなる２次学習モデルを構築する第２学習部と、
を有してなる、
ことを特徴とする病気の重症化予測用学習モデル生成装置。
【請求項7】
コンピュータを請求項６記載の病気の重症化予測用学習モデル生成装置として機能させる、
ことを特徴とする病気の重症化予測用学習モデル生成プログラム。
ことを特徴とする病気の重症化予測用学習モデル生成プログラム。
【請求項8】
患者が罹患している病気の重症化の有無を予測する病気の重症化予測装置であって、
前記患者から得られる複数の項目ごとの患者情報を取得する予測情報取得部と、
前記患者情報に基づいて、学習済みの学習モデルを用いて、前記重症化の有無を予測する予測部と、
を有してなり、
前記学習モデルは、請求項１記載の重症化予測用学習モデル生成方法により生成される、
ことを特徴とする病気の重症化予測装置。
前記患者から得られる複数の項目ごとの患者情報を取得する予測情報取得部と、
前記患者情報に基づいて、学習済みの学習モデルを用いて、前記重症化の有無を予測する予測部と、
を有してなり、
前記学習モデルは、請求項１記載の重症化予測用学習モデル生成方法により生成される、
ことを特徴とする病気の重症化予測装置。
【請求項9】
コンピュータを請求項８記載の病気の重症化予測装置として機能させる、
ことを特徴とする病気の重症化予測プログラム。
ことを特徴とする病気の重症化予測プログラム。
【請求項10】
患者が罹患している病気の重症化の有無を予測する重症化予測装置により実行される病気の重症化予測方法であって、
前記重症化予測装置は、
前記重症化の有無の予測に用いられる学習済みの学習モデルを記憶する記憶部、
を備え、
前記重症化予測装置が、
前記患者から得られる複数の項目ごとの患者情報を取得する予測情報取得ステップと、
前記患者情報に基づいて、学習済みの学習モデルを用いて、前記重症化の有無を予測する予測ステップと、
を有してなり、
前記学習モデルは、請求項１記載の重症化予測用学習モデル生成方法により生成される、
ことを特徴とする病気の重症化予測方法。
前記重症化予測装置は、
前記重症化の有無の予測に用いられる学習済みの学習モデルを記憶する記憶部、
を備え、
前記重症化予測装置が、
前記患者から得られる複数の項目ごとの患者情報を取得する予測情報取得ステップと、
前記患者情報に基づいて、学習済みの学習モデルを用いて、前記重症化の有無を予測する予測ステップと、
を有してなり、
前記学習モデルは、請求項１記載の重症化予測用学習モデル生成方法により生成される、
ことを特徴とする病気の重症化予測方法。
【請求項11】
患者が罹患している病気の重症化の有無を予測する病気の重症化予測システムであって、
請求項６記載の重症化予測用学習モデル生成装置と、
請求項８記載の重症化予測装置と、
を有してなる、
ことを特徴とする病気の重症化予測システム。
請求項６記載の重症化予測用学習モデル生成装置と、
請求項８記載の重症化予測装置と、
を有してなる、
ことを特徴とする病気の重症化予測システム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、病気の重症化予測用学習モデル生成方法、生成プログラム、および生成方法と、病気の重症化予測装置、重症化予測プログラム、および重症化予測方法と、病気の重症化予測システムと、に関する。
【背景技術】
【0002】
一般的に、病気の重症度の判断は、自覚症状の程度、各種検査の測定値、増悪（例えば、発作）の回数などの臨床情報に基づいて、医師により行われる。病気の重症化は、自覚症状の悪化、増悪による救急受診、および入院、に伴う生活の質（ＱＯＬ：Quality Of Life）の低下および医療費の増大に繋がるため、患者には、社会的にも経済的にも負担となる。
【0003】
病気の悪化・重症化と関連する因子として、患者から得られる様々な情報（性別、年齢などの属性、喫煙などの患者の行動履歴、病気に関連する検査データ、など）が報告されている。しかしながら、これらの因子を包括的に解析し、個々の患者ごとの病気の重症化の予測は、医師の診療科従事年数や経験症例数に基づく個人差に依存する。そのため、重症化の予測は、困難である。
【0004】
これまでにも、気管支喘息患者から得られる複数の情報に基づいて、治療薬の選択を支援するシステムが、提案されている（例えば、特許文献１参照）。
【0005】
特許文献１に開示されたシステムは、気管支喘息患者から得られる複数の情報（遺伝子発現データ、気道・血中好酸球数、免疫グロブリン、ペリオスチンなど）を測定・解析することにより、気管支喘息フェノタイプを分類し、吸入ステロイドの使用を含めた治療薬選択を支援する。しかしながら、同システムは、気管支喘息の重症化を予測するシステムではない。そのため、同システムは、予測に基づく早期治療介入を実践することによる重症化の防止には適用できない。
【先行技術文献】
【特許文献】
【0006】
【特許文献1】特表２０１１－５２３３５０号公報
【発明の概要】
【発明が解決しようとする課題】
【0007】
本発明は、機械学習により、病気の重症化の有無の予測を支援することを目的とする。
【課題を解決するための手段】
【0008】
本発明に係る病気の重症化予測用学習モデル生成方法は、患者が罹患している病気の重症化の有無を予測するために用いられる重症化予測用学習モデルを生成する重症化予測用学習モデル生成方法であって、病気の罹患歴を有する複数の解析対象患者から得られる複数の項目ごとの解析対象患者情報を取得する情報取得ステップと、複数の項目に対応する解析対象患者情報を説明変数とし、重症化の有無を目的変数として、重症化の有無を予測するための１次学習モデルを構築する第１学習ステップと、１次学習モデルにおいて、複数の項目ごとに重症化の有無の予測精度の向上への寄与度を取得する寄与度取得ステップと、寄与度に基づいて、複数の項目の中から、複数の特定項目を選択する選択ステップと、複数の特定項目に対応する解析対象患者情報を説明変数とし、重症化の有無を目的変数として、重症化予測用学習モデルとなる２次学習モデルを構築する第２学習ステップと、を有してなる、ことを特徴とする。
【発明の効果】
【0009】
本発明によれば、機械学習により病気の重症化の有無の予測を支援することができる。
【図面の簡単な説明】
【0010】
【図1】本発明に係る病気の重症化予測システムの実施の形態を示すネットワーク構成図である。
【図6】本発明に係る重症化予測用学習モデル生成方法の実施の形態を示す、病気の重症化予測用学習モデル生成処理のフローチャートである。
【図7】本発明に係る病気の重症化予測方法の実施の形態を示す、病気の重症化予測処理のフローチャートである。
【図9】本発明の実施例において、説明変数と寄与度との関係を示すグラフである。
【図10】（ａ）はランダムフォレストモデルを用いて生成された２次学習モデルのＲＯＣ曲線図であり、（ｂ）～（ｇ）はロジスティック回帰モデルを用いて生成された２次学習モデルのＲＯＣ曲線である。
【図11】上位５位以内の項目の組合せに基づいて生成された２次学習モデル（ランダムフォレストモデル）の１０分割交差検証法による検証結果を示す表である。
【図12】上位５位以内の項目の組合せに基づいて生成された２次学習モデル（ロジスティック回帰モデル）の１０分割交差検証法による検証結果を示す表である。
【発明を実施するための形態】
【0011】
以下、図面を参照しながら、本発明に係る病気の重症化予測システム（以下「本システム」という。）と、病気の重症化予測用学習モデル生成装置（以下「本生成装置」という。）と、病気の重症化予測用学習モデル生成プログラム（以下「本生成プログラム」という。）と、病気の重症化予測用学習モデル生成方法（以下「本生成方法」という。）と、病気の重症化予測装置（以下「本予測装置」という。）と、病気の重症化予測プログラム（以下「本予測プログラム」という。）と、病気の重症化予測方法（以下「本予測方法」という。）と、の実施の形態について説明する。
【0012】
本発明は、患者が罹患している病気の重症化の有無を予測するための学習モデル（以下「重症化予測用学習モデル」という。）を生成し、生成された重症化予測用学習モデルを用いて患者が罹患している病気の重症化の有無を予測する。
【0013】
「患者」は、本発明により、重症化の有無が予測される対象者である。
【0014】
「病気」は、患者の心または体に現れる異常である。本発明において、病気は、特に、医師の経験年数や経験症例数により重症化の有無の予測に差異が生じやすい異常である。以下の説明において、病気は、例えば、世界的に最も有病率・罹患率の高い慢性呼吸器疾患の１つである気管支喘息である。
【0015】
【0016】
本システム１は、患者が罹患している病気の重症化の有無を予測するために用いられる病気の重症化予測用学習モデルを生成し、同モデルを用いて病気の重症化の有無を予測する。本システム１は、本生成装置１０と本予測装置２０とを備える。
【0017】
本生成装置１０は、患者が罹患している病気の重症化の有無を予測するために用いられる重症化予測用学習モデルを生成する。本生成装置１０の具体的な構成と動作とは、後述する。
【0018】
本予測装置２０は、患者が罹患している病気の重症化の有無を予測する。本予測装置２０の具体的な構成と動作とは、後述する。
【0019】
外部装置３０は、例えば、本生成装置１０と本予測装置２０との動作に必要な情報（例えば、後述する解析対象患者情報、患者情報、など）を記憶するサーバなどの情報記憶装置である。
【0020】
ネットワークＮは、例えば、インターネット、移動体通信網、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）、Ｗｉ－Ｆｉ（登録商標）、Bluetooth（登録商標）のような通信網である。
【0021】
●重症化予測用学習モデル生成装置の構成
図２は、本生成装置１０の機能ブロック図である。
図２は、本生成装置１０の機能ブロック図である。
【0022】
本生成装置１０は、例えば、パーソナルコンピュータで実現される。本生成装置１０では、本生成プログラムが動作して、本生成プログラムが本生成装置１０のハードウェア資源と協働して、本生成方法を実現する。
【0023】
ここで、コンピュータ（不図示）に本生成プログラムを実行させることで、本生成プログラムは、同コンピュータを本生成装置１０と同様に機能させて、同コンピュータに本生成方法を実行させることができる。
【0024】
本生成装置１０は、通信部１１と、記憶部１２と、制御部１３と、操作部１４と、表示部１５と、を備える。
【0025】
通信部１１は、ネットワークＮを介して、本予測装置２０と外部装置３０とに接続されている。通信部１１は、例えば、通信モジュールや通信インターフェイスにより構成されている。
【0026】
記憶部１２は、本生成装置１０が後述する本生成方法を実行するために必要な情報（例えば、後述する解析対象患者情報データベースＤＢ１など）を記憶する。記憶部１２は、例えば、本生成装置１０が備えるＨＤＤ（Hard Disk Drive）またはＳＳＤ（Solid State Drive）のような記録装置、および／または、フラッシュメモリのような記憶媒体、により構成されている。
【0027】
「解析対象患者情報データベース（以下単に「ＤＢ１」と表記する場合もある。）」は、例えば、複数の解析対象患者から得られる複数の項目ごとの情報（以下「解析対象者情報」という。）が、病気ごとに記憶されているデータベースである。すなわち、ＤＢ１には、病気ごとに複数の解析対象者情報が記憶されている。本実施の形態において、ＤＢ１は、例えば、本生成装置１０の使用者により、病院や健診センターなどの医療機関が保有する情報に基づいて生成されている。ＤＢ１は、例えば、病気ごとに予め生成され、記憶部１２に記憶されている。
【0028】
「解析対象患者」は、機械学習アルゴリズムの説明変数および目的変数となる情報（すなわち、教師データ）が得られる患者である。すなわち、解析対象患者は、重症化の有無の予測の対象となる共通の病気の罹患歴を有し、経時的な重症化の程度（すなわち、有無）が既知の患者である。ここで、解析対象患者が罹患している（罹患していた）病気は、患者が罹患している病気と同じである。
【0029】
「項目」は、解析対象患者および患者から得られる情報の種別である。項目は、解析対象患者（患者）の属性（例えば、年齢、性別など）、解析対象患者（患者）の行動履歴（例えば、喫煙歴など）、および、解析対象患者（患者）が受けた検査項目（例えば、呼吸機能検査、問診の項目など）、を含む。
【0030】
図３は、記憶部１２に記憶されている情報（ＤＢ１）の例を示す模式図である。
「病気ＩＤ」は、各病気に対応する病気固有の識別情報である。「解析対象患者ＩＤ」は、各解析対象患者に対応する解析対象患者固有の識別情報である。「項目ＩＤ」は、各項目に対応する項目固有の識別情報である。ＤＢ１には、病気ＩＤと解析対象患者ＩＤと項目ＩＤとが関連付けられて記憶されている。
「病気ＩＤ」は、各病気に対応する病気固有の識別情報である。「解析対象患者ＩＤ」は、各解析対象患者に対応する解析対象患者固有の識別情報である。「項目ＩＤ」は、各項目に対応する項目固有の識別情報である。ＤＢ１には、病気ＩＤと解析対象患者ＩＤと項目ＩＤとが関連付けられて記憶されている。
【0031】
同図は、例えば、病気ＩＤ「Ａ００１」の罹患歴のある解析対象患者ＩＤ「Ｘ００１」の項目ＩＤ「Ｙ００１」に対応する情報が「ｙ０１」であり、項目ＩＤ「Ｙ００２」に対応する情報が「ｙ０２」である、ことを示している。本生成装置１０は、例えば、病気ＩＤ「Ａ００１」を用いてＤＢ１を参照することにより、病気ＩＤ「Ａ００１」に関連付けられて記憶部１２に記憶されている解析対象者情報を項目ごとに読み出す（取得する）ことができる。
【0032】
図２に戻る。
制御部１３は、本生成装置１０全体の動作を制御すると共に、後述する本生成方法を実行する。制御部１３は、例えば、本生成装置１０が備えるＣＰＵ（Central Processing Unit）と、ＣＰＵの作業領域として機能するＲＡＭ（Random Access Memory）と、本生成プログラムなどの各種情報を記憶するＲＯＭ（Read Only Memory）と、により構成されている。制御部１３は、生成情報取得部１３１と、第１学習部１３２と、寄与度取得部１３３と、選択部１３４と、第２学習部１３５と、モデル検証部１３６と、モデル選択部１３７と、出力部１３８と、を備える。
制御部１３は、本生成装置１０全体の動作を制御すると共に、後述する本生成方法を実行する。制御部１３は、例えば、本生成装置１０が備えるＣＰＵ（Central Processing Unit）と、ＣＰＵの作業領域として機能するＲＡＭ（Random Access Memory）と、本生成プログラムなどの各種情報を記憶するＲＯＭ（Read Only Memory）と、により構成されている。制御部１３は、生成情報取得部１３１と、第１学習部１３２と、寄与度取得部１３３と、選択部１３４と、第２学習部１３５と、モデル検証部１３６と、モデル選択部１３７と、出力部１３８と、を備える。
【0033】
生成情報取得部１３１は、複数の解析対象患者から得られる複数の項目ごとの解析対象患者情報を取得する。生成情報取得部１３１の具体的な動作は、後述する。
【0034】
第１学習部１３２は、複数の項目に対応する解析対象患者情報を説明変数とし、重症化の有無を目的変数として、重症化の有無を予測するための１次学習モデルを構築する。第１学習部１３２の具体的な動作は、後述する。
【0035】
寄与度取得部１３３は、１次学習モデルにおいて、複数の項目ごとに重症化の有無の予測精度の向上への寄与度を取得する。寄与度取得部１３３の具体的な動作は、後述する。
【0036】
「寄与度」は、１次学習モデルにおいて、患者の重症化の有無の予測精度の向上に対して、説明変数（項目に対応する解析対象患者情報）それぞれが寄与する（影響する）度合である。本実施の形態において、寄与度は、パーミュテーションインポータンス（Permutation Importance）である。
【0037】
なお、本発明における寄与度は、パーミュテーションインポータンスに限定されない。すなわち、例えば、本発明における寄与度は、ＳＨＡＰ値でもよい。
【0038】
選択部１３４は、寄与度に基づいて、複数の項目の中から、複数の特定項目を選択する。選択部１３４の具体的な動作は、後述する。
【0039】
「特定項目」は、項目の内、後述する２次学習モデルの生成の際に説明変数として用いられる解析対象患者情報に対応する項目である。
【0040】
第２学習部１３５は、複数の特定項目に対応する解析対象患者情報（以下「特定対象患者情報」という。）を説明変数とし、重症化の有無を目的変数として、重症化の有無を予測するための２次学習モデルを構築する。第２学習部１３５の具体的な動作は、後述する。
【0041】
ここで、１次学習モデルと２次学習モデルとは、共通する機械学習モデルを用いて構築される。本実施の形態において、機械学習モデルは、例えば、ランダムフォレストモデルである。
【0042】
なお、本発明における機械学習モデルは、ランダムフォレストモデルに限定されない。すなわち、例えば、本発明における機械学習モデルは、ロジスティック回帰モデルでもよく、あるいは、サポートベクターマシンモデルやナイーブベイズモデルでもよい。
【0043】
モデル検証部１３６は、構築された２次学習モデルの検証を行う。モデル検証部１３６の具体的な動作は、後述する。
【0044】
モデル選択部１３７は、構築された１以上の２次学習モデルの検証結果に基づいて、２次学習モデルを対応する病気の重症化予測用学習モデルとして選択する。モデル選択部１３７の具体的な動作は、後述する。
【0045】
出力部１３８は、後述する本生成方法が実行されて得られる各種情報（例えば、本生成装置１０の使用者の選択を要する情報など）を出力する。出力部１３８の具体的な動作は、後述する。
【0046】
操作部１４は、本生成装置１０の使用者（例えば、医師や看護師などの医療従事者。）により操作（例えば、情報の入力・選択操作など）される機器である。操作部１４は、例えば、キーボード、マウス、タッチパネルである。
【0047】
表示部１５は、制御部１３が出力する情報を表示する機器である。表示部１５は、例えば、モニタやディスプレイである。
【0048】
なお、本生成装置における操作部と表示部とは、例えば、タッチパネル式ディスプレイで構成されてもよい。
【0049】
●重症化予測定装置の構成
図４は、本予測装置２０の機能ブロック図である。
図４は、本予測装置２０の機能ブロック図である。
【0050】
本予測装置２０は、例えば、パーソナルコンピュータで実現される。本予測装置２０では、本予測プログラムが動作して、本予測プログラムが本予測装置２０のハードウェア資源と協働して、本予測方法を実現する。
【0051】
ここで、コンピュータ（不図示）に本予測プログラムを実行させることで、本予測プログラムは、同コンピュータを本予測装置２０と同様に機能させて、同コンピュータに本予測方法を実行させることができる。
【0052】
本予測装置２０は、通信部２１と、記憶部２２と、制御部２３と、操作部２４と、表示部２５と、を備える。
【0053】
通信部２１は、ネットワークＮを介して、本生成装置１０と外部装置３０とに接続されている。通信部２１は、例えば、通信モジュールや通信インターフェイスにより構成されている。
【0054】
記憶部２２は、本予測装置２０が後述する本予測方法を実行するために必要な情報（例えば、患者情報データベースＤＢ２、学習済みの重症化予測用学習モデルなど）を記憶する。記憶部２２は、例えば、本予測装置２０が備えるＨＤＤまたはＳＳＤのような記録装置、および／または、フラッシュメモリのような記憶媒体、により構成されている。
【0055】
「患者情報データベースＤＢ２（以下単に「ＤＢ２」と表記する場合もある。）」は、例えば、患者から得られる複数の項目ごとの情報が、患者ごとに記憶されているデータベースである。すなわち、ＤＢ２には、患者ごとに、１の病気に対応する複数の患者情報が記憶されている。本実施の形態において、ＤＢ２は、例えば、本予測装置２０の使用者により、医療機関が保有する情報に基づいて生成されている。ＤＢ２は、例えば、患者ごとに予め生成され、記憶部２２に記憶されている。
【0056】
図５は、記憶部２２に記憶されている情報（ＤＢ２）の例を示す模式図である。
「患者ＩＤ」は、各患者に対応する患者固有の識別情報である。ＤＢ２には、患者ＩＤと病気ＩＤと項目ＩＤとが関連付けられて記憶されている。本予測装置２０は、例えば、患者ＩＤ「Ｚ００１」を用いてＤＢ２を参照することにより、患者ＩＤ「Ｚ００１」に関連付けられて記憶されている患者情報を項目ごとに読み出す（取得する）ことができる。
「患者ＩＤ」は、各患者に対応する患者固有の識別情報である。ＤＢ２には、患者ＩＤと病気ＩＤと項目ＩＤとが関連付けられて記憶されている。本予測装置２０は、例えば、患者ＩＤ「Ｚ００１」を用いてＤＢ２を参照することにより、患者ＩＤ「Ｚ００１」に関連付けられて記憶されている患者情報を項目ごとに読み出す（取得する）ことができる。
【0057】
図４に戻る。
制御部２３は、本予測装置２０全体の動作を制御すると共に、後述する本予測方法を実行する。制御部２３は、例えば、本予測装置２０が備えるＣＰＵと、ＣＰＵの作業領域として機能するＲＡＭと、本予測プログラムなどの各種情報を記憶するＲＯＭと、により構成されている。制御部２３は、予測情報取得部２３１と、予測部２３２、出力部２３３と、を備える。
制御部２３は、本予測装置２０全体の動作を制御すると共に、後述する本予測方法を実行する。制御部２３は、例えば、本予測装置２０が備えるＣＰＵと、ＣＰＵの作業領域として機能するＲＡＭと、本予測プログラムなどの各種情報を記憶するＲＯＭと、により構成されている。制御部２３は、予測情報取得部２３１と、予測部２３２、出力部２３３と、を備える。
【0058】
予測情報取得部２３１は、患者から得られる複数の項目ごとの患者情報を取得する。予測情報取得部２３１の具体的な動作は、後述する。
【0059】
予測部２３２は、患者情報に基づいて、学習済みの学習モデル（後述する重症化予測用学習モデル）を用いて、重症化の有無を予測する。予測部２３２の具体的な動作は、後述する。
【0060】
出力部２３３は、後述する本予測プログラムが実行されて得られる各種情報（例えば、予測結果など）を出力する。出力部２３３の具体的な動作は、後述する。
【0061】
操作部２４は、本予測装置２０の使用者（例えば、医師や看護師などの医療従事者。）により操作（例えば、情報の入力・選択操作）される機器である。操作部２４は、例えば、キーボード、マウス、タッチパネルである。
【0062】
表示部２５は、出力部２３３が出力する情報（例えば、予測結果など）を表示する機器である。表示部２５は、例えば、モニタやディスプレイである。
【0063】
なお、本予測装置における操作部と表示部とは、例えば、タッチパネル式ディスプレイで構成されてもよい。
【0064】
●重症化予測システムの動作
次に、本システム１の動作、すなわち、本生成装置１０および本予測装置２０の動作について説明する。
次に、本システム１の動作、すなわち、本生成装置１０および本予測装置２０の動作について説明する。
【0065】
●重症化予測用学習モデル生成装置の動作
先ず、本生成装置１０の動作、すなわち、本生成装置１０が実行する本生成方法について説明する。以下の本生成方法の説明において、図２も併せて参照される。
先ず、本生成装置１０の動作、すなわち、本生成装置１０が実行する本生成方法について説明する。以下の本生成方法の説明において、図２も併せて参照される。
【0066】
本生成装置１０は、本生成方法として重症化予測用学習モデル生成処理（Ｓ１）を実行する。「重症化予測用学習モデル生成処理（Ｓ１）」は、本生成装置１０が解析対象患者情報に基づく機械学習により、病気の重症化の予測を支援するための１の重症化予測用学習モデルを生成する処理である。
【0067】
図６は、本生成方法の実施の形態を示す、重症化予測用学習モデル生成処理（Ｓ１）のフローチャートである。
【0068】
先ず、生成情報取得部１３１は、学習モデルの生成対象の病気の情報（病気ＩＤ）を取得する（Ｓ１０１）。具体的には、例えば、生成情報取得部１３１は、本生成装置１０の使用者が操作部２４を介して入力した病気名から病気ＩＤを取得する。その結果、生成情報取得部１３１は、取得した病気ＩＤに基づいて、重症化の予測の対象となる病気の情報（名称など）を取得する。
【0069】
次いで、生成情報取得部１３１は、解析対象患者情報を取得する（Ｓ１０２：情報取得ステップ）。具体的には、生成情報取得部１３１は、例えば、病気ＩＤを用いてＤＢ１を参照することにより、病気ＩＤに関連付けられてＤＢ１に記憶されている解析対象患者情報を取得する。
【0070】
次いで、第１学習部１３２は、各項目に対応する解析対象患者情報を説明変数とし、重症化の有無を目的変数として、重症化の有無を予測するための１次学習モデルを構築する（Ｓ１０３：第１学習ステップ）。ここで、重症化の有無は、例えば、病気の重症化の指標となる項目の有無、項目に対応する値の大小、項目に対応する値と閾値との関係（閾値以上、閾値未満、など）、などに基づいて、本生成装置１０の使用者により予め設定されている。
【0071】
次いで、寄与度取得部１３３は、第１学習部１３２により生成された学習済みの１次学習モデルにおいて、項目ごとに重症化の有無の予測への寄与度を取得する（Ｓ１０４：寄与度取得ステップ）。具体的には、寄与度取得部１３３は、例えば、項目ごとにパーミュテーションインポータンスを算出し、算出された値を寄与度として取得し、項目に関連付けて記憶部１２に記憶する。ここで、寄与度（パーミュテーションインポータンス）は、例えば、合計１００回の反復施行により算出されている。
【0072】
次いで、寄与度取得部１３３は、全ての項目に対する寄与度を比較して、寄与度の大きさに基づいて、複数の項目それぞれに順位を付ける（Ｓ１０５：順位付ステップ）。順位は、寄与度の大きい項目から順に付けられる。
【0073】
次いで、選択部１３４は、寄与度に基づいて、複数の項目の中から、複数の特定項目を選択する（Ｓ１０６：選択ステップ）。具体的には、選択部１３４は、寄与度の順位が上位「ｎ」（ｎは２以上の整数）位以内の複数の項目を特定項目として選択する。ここで、選択部１３４は、例えば、上位「ｎ」位以内の項目のうち、複数の項目からなる１の組合せを選択する。すなわち、特定項目は、順位が上位「ｎ」位以内の複数の項目を含む。
【0074】
なお、本発明における選択部は、「ｎ」の値および１の組合せが予め設定されているとき、設定されている組合せを選択してもよい。また、例えば、本発明における選択部は、「１」位の項目を必ず組合せに含めて特定項目を選択してもよい。さらに、本発明における選択部は、本生成装置の使用者が操作部を介して選択した項目を特定項目として選択してもよい。
【0075】
次いで、第２学習部１３５は、処理Ｓ１０２で取得された解析対象患者情報のうち、複数の特定項目に対応する解析対象患者情報（特定対象患者情報）を説明変数とし、重症化の有無を目的変数として、重症化の有無を予測するための２次学習モデルを構築する（Ｓ１０７：第２学習ステップ）。２次学習モデルは、記憶部１２に記憶される。
【0076】
次いで、モデル検証部１３６は、構築された２次学習モデルを検証する（Ｓ１０８）。具体的には、モデル検証部１３６は、例えば、１０分割交差検証法を用いて、２次学習モデルのＲＯＣ解析を行い、２次学習モデルの予測精度を算出することにより、２次学習モデルを検証する。検証結果（ＡＵＣ、正答率）は、２次学習モデルに関連付けられて、記憶部１２に記憶される。
【0077】
次いで、制御部１３は、選択されていない組合せの有無を予測する（Ｓ１０９）。選択されていない組合せが有るとき（Ｓ１０９の「Ｙ」）、本生成方法は、処理Ｓ１０６に戻る。
【0078】
一方、選択されていない組合せが無いとき（Ｓ１０９の「Ｎ」）、モデル選択部１３７は、構築された１以上の２次学習モデルのうち、検証結果（ＡＵＣ、正答率）が最もよい２次学習モデルを対応する病気の重症化予測用学習モデルとして選択する（Ｓ１１０）。換言すれば、本生成装置１０は、１の２次学習モデルを重症化予測用学習モデルとして構築する。重症化予測用学習モデルは、例えば、対応する病気ＩＤに関連付けられて記憶部１２に記憶される。
【0079】
次いで、制御部１３は、通信部１１を介して、重症化予測用学習モデルを本予測装置２０に送信する（Ｓ１１１）。送信された重症化予測用学習モデルは、本予測装置２０の記憶部２２に記憶される。
【0080】
なお、本生成方法は、本実施の形態に限定されない。すなわち、例えば、特定項目の選択処理において、本発明における選択部は、本生成装置の使用者が操作部を介して選択した項目を、特定項目として選択してもよい。この場合、本予測装置の出力部は、例えば、項目ごとの寄与度を表示部に出力する。
【0081】
また、例えば、２次学習モデルの検証処理と２次学習モデルの選択処理とは、本予測装置ではなく、本予測装置の使用者に実行されてもよい。
【0082】
さらに、例えば、２次学習モデルの選択処理において、本発明におけるモデル選択部は、本生成装置の使用者が操作部を介して選択した２次学習モデルを、重症化予測用学習モデルとして選択してもよい。この場合、本予測装置の出力部は、例えば、２次学習モデルごとの検証結果を表示部に出力する。
【0083】
●重症化予測装置の動作
次いで、本予測装置２０の動作、すなわち、本予測装置２０が実行する本予測方法について説明する。以下の本予測方法の説明において、図４も併せて参照される。
次いで、本予測装置２０の動作、すなわち、本予測装置２０が実行する本予測方法について説明する。以下の本予測方法の説明において、図４も併せて参照される。
【0084】
本予測装置２０は、本予測方法として重症化予測処理（Ｓ２）を実行する。「重症化予測処理（Ｓ２）」は、本予測装置２０が重症化予測用学習モデルと患者情報とに基づいて病気の重症化を予測する処理である。
【0085】
図７は、本予測方法の実施の形態を示す、重症化予測処理（Ｓ２）のフローチャートである。
【0086】
先ず、予測情報取得部２３１は、重症化の予測対象の病気の情報（病気ＩＤ）を取得する（Ｓ２０１）。具体的には、例えば、予測情報取得部２３１は、本予測装置２０の使用者が操作部２４を介して入力した病気名から病気ＩＤを取得する。その結果、予測情報取得部２３１は、取得した病気ＩＤに基づいて、重症化の予測の対象となる病気の情報（名称など）を取得する。
【0087】
次いで、予測情報取得部２３１は、予測対象の患者の患者情報を取得する（Ｓ２０２：予測情報取得ステップ）。具体的には、予測情報取得部２３１は、例えば、患者ＩＤ（および病気ＩＤ）を用いてＤＢ２を参照して、患者ＩＤに関連付けられて記憶部２２に記憶されている患者情報を取得する。
【0088】
次いで、予測部２３２は、記憶部２２に記憶されている重症化予測用学習モデルを読み出す（Ｓ２０３）。具体的には、予測部２３２は、例えば、病気ＩＤを用いて記憶部２２を参照して、病気ＩＤに関連付けられて記憶部２２に記憶されている重症化予測用学習モデルを記憶部２２から読み出す。前述のとおり、重症化予測用学習モデルは、本生成装置１０が本生成方法を実行することにより生成されている。
【0089】
なお、本発明における予測部は、例えば、本予測装置の使用者が操作部を介して選択した重症化予測用学習モデルを記憶部から読み出してもよい。
【0090】
次いで、予測部２３２は、重症化予測用学習モデルと患者情報とに基づいて、患者の重症化の有無を予測する（Ｓ２０４：予測ステップ）。予測結果は、例えば、患者ＩＤに関連付けられて記憶部２２に記憶される。ここで、予測結果は、重症化の「有」「無」を示す情報である。
【0091】
次いで、出力部２３３は、予測結果を表示部２５に出力する（Ｓ２０５）。
【0092】
次いで、表示部２５は、予測結果を表示する（Ｓ２０６）。
【0093】
図８は、表示部２５に表示されている情報（予測結果）の例を示す模式図である。
同図は、患者「Ａ」の病気「Ｂ」の重症化の可能性が「有」となっていることを示す。
同図は、患者「Ａ」の病気「Ｂ」の重症化の可能性が「有」となっていることを示す。
【0094】
このように、本予測装置２０は、本予測方法を実行することにより、予測対象の患者の重症化の有無を予測する。本予測装置２０の使用者は、表示部２５に表示された予測結果を閲覧することにより、患者の病気の重症化の有無を判断（推定）することができる。その結果、例えば、本予測装置２０の予測結果を得た医師は、重症化の有無の判断結果に基づいて、予め患者の治療方針を策定することができる。
【0095】
なお、本発明における予測情報取得部は、本予測装置の使用者が操作部を介して入力した患者情報を取得してもよい。
【0096】
●実施例●
次に、実際の診療データを用いて、重症化予測用学習モデルを生成した場合を例に、本発明の実施例について以下説明する。以下の実施例において、用いられた診療データは、症状の安定した２５歳以上の気管支喘息患者１２８名に対して実行された３年間の前向き観察研究（ＦＬＯＡＴ：Factors affecting the Long-term Asthma Therapy）により得られたデータである。１秒量（ＦＥＶ１：Forced Exhaled Volume in 1 second）の年間平均減少量（経年低下量）が「－４０ｍＬ／ｙｅａｒ」以下の場合が迅速な症例（Rapid decliner）と定義されたとき、目的変数は、３年後にRapid declinerか否かと定義されている。一方、説明変数（項目）は、「年齢」「性別」「ＢＭＩ」「喫煙歴（Packyear）」「喘息症状スコアＡＣＴ（Asthma Control Test）」「％予測１秒量（％ＦＥＶ１）」「％予測努力性肺活量（％ＦＶＣ）」「呼気一酸化窒素（ＦｅＮＯ）」「白血球数」「血中好酸球数」「ＩｇＥ」「増悪回数」「鼻炎の有無」「副鼻腔炎の有無」「逆流性食道炎の有無」「アトピーの有無」である。
次に、実際の診療データを用いて、重症化予測用学習モデルを生成した場合を例に、本発明の実施例について以下説明する。以下の実施例において、用いられた診療データは、症状の安定した２５歳以上の気管支喘息患者１２８名に対して実行された３年間の前向き観察研究（ＦＬＯＡＴ：Factors affecting the Long-term Asthma Therapy）により得られたデータである。１秒量（ＦＥＶ１：Forced Exhaled Volume in 1 second）の年間平均減少量（経年低下量）が「－４０ｍＬ／ｙｅａｒ」以下の場合が迅速な症例（Rapid decliner）と定義されたとき、目的変数は、３年後にRapid declinerか否かと定義されている。一方、説明変数（項目）は、「年齢」「性別」「ＢＭＩ」「喫煙歴（Packyear）」「喘息症状スコアＡＣＴ（Asthma Control Test）」「％予測１秒量（％ＦＥＶ１）」「％予測努力性肺活量（％ＦＶＣ）」「呼気一酸化窒素（ＦｅＮＯ）」「白血球数」「血中好酸球数」「ＩｇＥ」「増悪回数」「鼻炎の有無」「副鼻腔炎の有無」「逆流性食道炎の有無」「アトピーの有無」である。
【0097】
先ず、前述の説明変数と目的変数とに基づいて、１次学習モデルが生成された。次いで、説明変数ごとの予測精度の向上に対する寄与度（パーミュテーションインポータンス）が取得され、その順位付けが行われた。
【0098】
図９は、本発明の実施例において説明変数と寄与度との関係を示すグラフである。
同図は、「増悪回数」が１位であり、「ＢＭＩ」「年齢」「ＦｅＮＯ」「血中好酸球数」が２～５位であることを示す。
同図は、「増悪回数」が１位であり、「ＢＭＩ」「年齢」「ＦｅＮＯ」「血中好酸球数」が２～５位であることを示す。
【0099】
次いで、寄与度の上位５位以内の５つの項目（「増悪回数」「ＢＭＩ」「年齢」「ＦｅＮＯ」「血中好酸球数」）が特定項目として選択され、２次学習モデルが生成された。
【0100】
図１０（ａ）はランダムフォレストモデルを用いて生成された２次学習モデルのＲＯＣ曲線図であり、（ｂ）～（ｇ）はロジスティック回帰モデルを用いて生成された２次学習モデルのＲＯＣ曲線である。
【0101】
同図において、（ａ）（ｂ）は上位５位以内の５つの項目が特定項目として選択された例を示し、（ｃ）は「増悪回数」のみが特定項目として選択された比較例を示し、（ｄ）は「ＢＭＩ」のみが特定項目として選択された比較例を示し、（ｅ）は「年齢」のみが特定項目として選択された比較例を示し、（ｆ）は「血中好酸球数」が特定項目として選択された比較例を示し、（ｇ）は「ＦｅＮＯ」が特定項目として選択された比較例を示す。図５に示されるとおり、寄与度上位５位以内の項目を単独で特定項目として選択されたときの予測精度よりも、上位５位以内の全ての項目の組合せを特定項目として選択されたときの予測精度の方が良好である。
【0102】
図１１は、上位５位以内の項目の組合せに基づいて生成された２次学習モデル（ランダムフォレストモデル）の１０分割交差検証法による検証結果を示す表である。
図１２は、上位５位以内の項目の組合せに基づいて生成された２次学習モデル（ロジスティック回帰モデル）の１０分割交差検証法による検証結果を示す表である。
図１２は、上位５位以内の項目の組合せに基づいて生成された２次学習モデル（ロジスティック回帰モデル）の１０分割交差検証法による検証結果を示す表である。
【0103】
図１１と図１２とに示されるとおり、上位５位以内の項目の組合せに基づいて生成された２次学習モデルでは、少なくとも「増悪回数」「年齢」が特定項目として選択されることにより、高いＡＵＣと正答率とが得られている。
【0104】
このように、本発明により生成された気管支喘息患者の重症化の有無を予測するための重症化予測用学習モデルでは、ランダムフォレストモデルにおいて、ＡＵＣ：０．８０（９５％ＣＩ：０．６７～０．９３）、正答率：７８％（９５％ＣＩ：７０～８６％）の検証結果が得られ、ロジスティック回帰モデルにおいて、ＡＵＣ：０．８４（９５％ＣＩ：０．６５～１．００）、正答率：８１％（９５％ＣＩ：７２％～９０％）の検証結果がえられた。すなわち、本発明により、気管支喘息の高精度な重症化の予測が可能な重症化予測用学習モデルが生成された。
【0105】
●まとめ
以上説明した実施の形態によれば、本生成装置１０により実行される本生成方法は、情報取得ステップと、第１学習ステップと、寄与度取得ステップと、選択ステップと、第２学習ステップと、を有してなる。本生成装置１０は、情報取得ステップにおいて、病気の罹患歴を有する複数の解析対象患者から得られる複数の項目ごとの解析対象患者情報を取得する。本生成装置１０は、第１学習ステップにおいて、複数の項目に対応する解析対象患者情報を説明変数とし、重症化の有無を目的変数として、重症化の有無を予測するための１次学習モデルを構築する。本生成装置１０は、寄与度取得ステップにおいて、１次学習モデルにおいて、複数の項目ごとに重症化の有無の予測精度の向上への寄与度を取得する。本生成装置１０は、選択ステップにおいて、寄与度に基づいて、複数の項目の中から、複数の特定項目を選択する。本生成装置１０は、２次学習ステップにおいて、複数の特定項目に対応する解析対象患者情報を説明変数とし、重症化の有無を目的変数として、重症化の有無を予測するために用いられる重症化予測用学習モデルとなる２次学習モデルを構築する。この構成によれば、本生成方法（本生成装置１０）は、寄与度に基づいて特定項目を選択し、２次学習モデルを生成することにより、精度の高い重症化予測用学習モデルを生成することができる。すなわち、本発明は、機械学習により、病気の重症化の有無の予測を支援することができる。
以上説明した実施の形態によれば、本生成装置１０により実行される本生成方法は、情報取得ステップと、第１学習ステップと、寄与度取得ステップと、選択ステップと、第２学習ステップと、を有してなる。本生成装置１０は、情報取得ステップにおいて、病気の罹患歴を有する複数の解析対象患者から得られる複数の項目ごとの解析対象患者情報を取得する。本生成装置１０は、第１学習ステップにおいて、複数の項目に対応する解析対象患者情報を説明変数とし、重症化の有無を目的変数として、重症化の有無を予測するための１次学習モデルを構築する。本生成装置１０は、寄与度取得ステップにおいて、１次学習モデルにおいて、複数の項目ごとに重症化の有無の予測精度の向上への寄与度を取得する。本生成装置１０は、選択ステップにおいて、寄与度に基づいて、複数の項目の中から、複数の特定項目を選択する。本生成装置１０は、２次学習ステップにおいて、複数の特定項目に対応する解析対象患者情報を説明変数とし、重症化の有無を目的変数として、重症化の有無を予測するために用いられる重症化予測用学習モデルとなる２次学習モデルを構築する。この構成によれば、本生成方法（本生成装置１０）は、寄与度に基づいて特定項目を選択し、２次学習モデルを生成することにより、精度の高い重症化予測用学習モデルを生成することができる。すなわち、本発明は、機械学習により、病気の重症化の有無の予測を支援することができる。
【0106】
また、以上説明した実施の形態によれば、寄与度取得ステップは、順位付ステップを含む。本生成装置１０は、順位付ステップにおいて、取得された寄与度の大きさに基づいて、複数の項目それぞれに順位を付ける。本生成装置１０は、選択ステップにおいて、順位に基づいて複数の特定項目を選択する。この構成によれば、本生成方法（本生成装置１０）は、１次学習モデルにおける寄与度の高い項目の組合せを特定項目の組合せとして選択し、２次学習モデルを生成することにより、より精度の高い重症化予測用学習モデルを生成することができる。すなわち、本発明は、機械学習により、病気の重症化の有無の予測を支援することができる。
【0107】
さらに、以上説明した実施の形態によれば、複数の特定項目は、順位が上位「ｎ」（ｎは整数）位以内の複数の項目を含む。この構成によれば、本生成方法（本生成装置１０）は、１次学習モデルにおける寄与度の高い項目の組合せを特定項目の組合せとして選択し、２次学習モデルを生成することにより、より精度の高い重症化予測用学習モデルを生成することができる。すなわち、本発明は、機械学習により、病気の重症化の有無の予測を支援することができる。
【0108】
さらにまた、以上説明した実施の形態によれば、項目は、解析対象患者の属性、解析対象者の行動履歴、および解析対象者が受けた検査項目、を含む。この構成によれば、検査項目だけでなく、解析対象患者の属性や行動履歴が学習モデルの説明変数として選択可能である。その結果、学習モデルの説明変数の選択幅が増す。したがって、本生成方法（本生成装置１０）は、より精度の高い重症化予測用学習モデルを生成することができる。
【0109】
さらにまた、以上説明した実施の形態によれば、本予測方法は、予測情報取得ステップと予測ステップとを有してなる。本予測装置２０は、予測情報取得ステップにおいて、患者から得られる複数の項目ごとの患者情報を取得する。本予測装置２０は、予測ステップにおいて、患者情報に基づいて、学習済みの重症化予測用学習モデルを用いて、重症化の有無を予測する。この構成によれば、本予測方法（本予測装置２０）は、機械学習により生成された重症化予測用学習モデルを用いた予測結果を本予測装置２０の使用者に提供することにより、病気の重症化の有無の予測を支援することができる。
【0110】
なお、以上説明した実施の形態では、本生成装置１０は、本予測装置２０と別体（別のコンピュータ）で構成されていた。これに代えて、本生成装置は本予測装置としても機能してもよく、あるいは、本予測装置は本生成装置としても機能してもよい。すなわち、１のコンピュータが本生成装置と本予測装置（すなわち、本システム）として機能してもよい。
【0111】
また、本発明における出力部の出力先は、表示部に限定されない。すなわち、例えば、本発明における出力部は、プリンタに情報を出力してもよい。また、例えば、本発明における出力部は、通信部を介して、外部装置（例えば、携帯型情報処理端末など）に情報を出力してもよい。
【0112】
さらに、本発明におけるＤＢ１、ＤＢ２は、本実施の形態に限定されない。
【0113】
さらにまた、本発明における生成情報取得部は、ＤＢ１に代えて、外部装置から解析対象者情報を取得してもよい。
【0114】
さらにまた、以上説明した実施の形態では、本生成装置１０と本予測装置２０それぞれは、１つのコンピュータにより構成されていた。これに代えて、本生成装置と本予測装置それぞれは、複数のコンピュータにより構成されてもよい。すなわち、例えば、本生成装置は、本生成装置として機能する複数のコンピュータ群で構成されてもよい。具体的には、例えば、本生成装置（コンピュータ群）は、記憶部を備えるコンピュータと、本生成方法を実行する制御部を備えるコンピュータと、により構成されてもよい。また、例えば、複数のコンピュータが、生成情報取得部、第１学習部、寄与度取得部、選択部、第２学習部、モデル検証部、モデル選択部、出力部それぞれの機能を分散して備えてもよい。この場合、コンピュータ群を構成する複数のコンピュータは、ネットワークを介して情報の送受信をしてもよく、あるいは、可搬記憶媒体を用いて情報の受け渡しをしてもよい。
【符号の説明】
【0115】
１ 重症化予測システム
１０ 重症化予測用学習モデル生成装置
１２ 記憶部
１３１ 生成情報取得部
１３２ 第１学習部
１３３ 寄与度取得部
１３４ 選択部
１３５ 第２学習部
２０ 重症化予測装置
２２ 記憶部
２３１ 予測情報取得部
２３２ 予測部
１０ 重症化予測用学習モデル生成装置
１２ 記憶部
１３１ 生成情報取得部
１３２ 第１学習部
１３３ 寄与度取得部
１３４ 選択部
１３５ 第２学習部
２０ 重症化予測装置
２２ 記憶部
２３１ 予測情報取得部
２３２ 予測部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】