ホーム > 特許ランキング > 国立大学法人山口大学
特開2023-77488妊娠高血圧症候群の発症予測支援システムと発症予測支援プログラムと発症予測支援方法
(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】P2023077488
(43)【公開日】2023-06-06
(54)【発明の名称】妊娠高血圧症候群の発症予測支援システムと発症予測支援プログラムと発症予測支援方法
(51)【国際特許分類】
G16H 50/20 20180101AFI20230530BHJP
【ＦＩ】
G16H50/20
【審査請求】未請求
【請求項の数】10
【出願形態】ＯＬ
(21)【出願番号】P 2021190763
(22)【出願日】2021-11-25
(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】前川 亮
(72)【発明者】
【氏名】安部 武志
(72)【発明者】
【氏名】浅井 義之
(72)【発明者】
【氏名】杉野 法広
(72)【発明者】
【氏名】品川 征大
【テーマコード（参考）】
5L099
【Ｆターム（参考）】
5L099AA04
(57)【要約】
【課題】妊婦が受診済の妊婦健診の健診データから妊娠高血圧症候群（ＨＤＰ）の発症の予測を支援する。
【解決手段】本発明に係るシステムは、学習用妊婦ごとの学習用の妊娠中の健診データとＨＤＰの発症の有無とに基づいて、ＨＤＰの発症率の異なる複数の状態間の遷移を予測するように学習された判別器を記憶する記憶部と、予測の対象である妊婦が妊娠中に受診した健診で得られた受診済の健診データを取得する取得部と、妊婦の受診済の健診データと判別器とに基づいて複数の状態の中から妊婦が妊娠期間の残期間内に取り得る状態を判別する判別部と、妊婦の残期間内の状態に基づいて妊婦の残期間内の予測される健診データを算出する算出部と、を有してなる。判別器は、妊婦の内部状態を隠れ状態とし、内部状態ごとの健診データを隠れ状態の出力変数とする隠れマルコフモデルを用いて学習される。
【選択図】図１５
【解決手段】本発明に係るシステムは、学習用妊婦ごとの学習用の妊娠中の健診データとＨＤＰの発症の有無とに基づいて、ＨＤＰの発症率の異なる複数の状態間の遷移を予測するように学習された判別器を記憶する記憶部と、予測の対象である妊婦が妊娠中に受診した健診で得られた受診済の健診データを取得する取得部と、妊婦の受診済の健診データと判別器とに基づいて複数の状態の中から妊婦が妊娠期間の残期間内に取り得る状態を判別する判別部と、妊婦の残期間内の状態に基づいて妊婦の残期間内の予測される健診データを算出する算出部と、を有してなる。判別器は、妊婦の内部状態を隠れ状態とし、内部状態ごとの健診データを隠れ状態の出力変数とする隠れマルコフモデルを用いて学習される。
【選択図】図１５
【特許請求の範囲】
【請求項1】
妊婦が妊娠高血圧症候群を発症するか否かの予測を、前記妊娠高血圧症候群の発症率の異なる複数の状態の中から前記妊婦が妊娠中に取り得る前記状態を予測することで支援する、妊娠高血圧症候群の発症予測支援システムであって、
学習用妊婦ごとの学習用の妊娠中の健診データと前記妊娠高血圧症候群の発症の有無とに基づいて、複数の前記状態間の遷移を予測するように学習された判別器を記憶する記憶部と、
予測の対象である前記妊婦が妊娠中に受診した健診で得られた受診済の健診データを取得する取得部と、
前記妊婦の前記受診済の前記健診データと、前記判別器と、に基づいて、複数の前記状態の中から前記妊婦が妊娠期間の残期間内に取り得る前記状態を判別する判別部と、
前記妊婦の前記残期間内の前記状態に基づいて、前記妊婦の前記残期間内の予測される健診データを算出する算出部と、
を有してなり、
前記判別器は、前記状態を隠れ状態とし、前記状態ごとの前記健診データを前記状態の出力変数とする隠れマルコフモデルを用いて学習される、
ことを特徴とする妊娠高血圧症候群の発症予測支援システム。
学習用妊婦ごとの学習用の妊娠中の健診データと前記妊娠高血圧症候群の発症の有無とに基づいて、複数の前記状態間の遷移を予測するように学習された判別器を記憶する記憶部と、
予測の対象である前記妊婦が妊娠中に受診した健診で得られた受診済の健診データを取得する取得部と、
前記妊婦の前記受診済の前記健診データと、前記判別器と、に基づいて、複数の前記状態の中から前記妊婦が妊娠期間の残期間内に取り得る前記状態を判別する判別部と、
前記妊婦の前記残期間内の前記状態に基づいて、前記妊婦の前記残期間内の予測される健診データを算出する算出部と、
を有してなり、
前記判別器は、前記状態を隠れ状態とし、前記状態ごとの前記健診データを前記状態の出力変数とする隠れマルコフモデルを用いて学習される、
ことを特徴とする妊娠高血圧症候群の発症予測支援システム。
【請求項2】
前記判別器は、前記学習用妊婦の前記健診データを用いて学習された前記判別器の複数の候補の中から選択されていて、
複数の前記候補それぞれのハイパーパラメータとしての前記状態の数は、異なる、
請求項１記載の妊娠高血圧症候群の発症予測支援システム。
複数の前記候補それぞれのハイパーパラメータとしての前記状態の数は、異なる、
請求項１記載の妊娠高血圧症候群の発症予測支援システム。
【請求項3】
前記記憶部は、
複数の前記状態間の状態遷移確率、
を記憶し、
前記判別部は、
前記妊婦の前記受診済の前記健診データに基づいて、前記妊婦の現在の前記状態を判別し、
前記妊婦の現在の前記状態と、前記状態遷移確率と、に基づいて、前記妊婦が前記残期間内に取り得る前記状態を判別する、
請求項１または２記載の妊娠高血圧症候群の発症予測支援システム。
複数の前記状態間の状態遷移確率、
を記憶し、
前記判別部は、
前記妊婦の前記受診済の前記健診データに基づいて、前記妊婦の現在の前記状態を判別し、
前記妊婦の現在の前記状態と、前記状態遷移確率と、に基づいて、前記妊婦が前記残期間内に取り得る前記状態を判別する、
請求項１または２記載の妊娠高血圧症候群の発症予測支援システム。
【請求項4】
前記判別器は、前記学習用妊婦の妊娠週数ごとに受診した健診で得られた前記学習用の前記健診データを用いて学習され、
前記判別部は、前記妊婦の前記残期間内の妊娠週数ごとの前記状態を判別する、
請求項１乃至３のいずれかに記載の妊娠高血圧症候群の発症予測支援システム。
前記判別部は、前記妊婦の前記残期間内の妊娠週数ごとの前記状態を判別する、
請求項１乃至３のいずれかに記載の妊娠高血圧症候群の発症予測支援システム。
【請求項5】
前記記憶部は、
複数の前記状態ごとの前記健診データの出力確率、
を記憶し、
前記算出部は、前記妊婦が前記残期間内に取り得る前記状態と、前記出力確率と、に基づいて、前記予測される前記健診データを算出する、
請求項４記載の妊娠高血圧症候群の発症予測支援システム。
複数の前記状態ごとの前記健診データの出力確率、
を記憶し、
前記算出部は、前記妊婦が前記残期間内に取り得る前記状態と、前記出力確率と、に基づいて、前記予測される前記健診データを算出する、
請求項４記載の妊娠高血圧症候群の発症予測支援システム。
【請求項6】
前記算出部は、前記妊婦の前記残期間内の妊娠週数ごとの前記予測される前記健診データを算出する、
請求項５記載の妊娠高血圧症候群の発症予測支援システム。
請求項５記載の妊娠高血圧症候群の発症予測支援システム。
【請求項7】
前記取得部は、前記妊婦の妊娠週数ごとに受診した健診で得られた前記受診済の前記健診データを取得する、
請求項６記載の妊娠高血圧症候群の発症予測支援システム。
請求項６記載の妊娠高血圧症候群の発症予測支援システム。
【請求項8】
前記健診データは、少なくとも、収縮期血圧と、拡張期血圧と、尿蛋白とのいずれか１つを含む、
請求項１記載の妊娠高血圧症候群の発症予測支援システム
請求項１記載の妊娠高血圧症候群の発症予測支援システム
【請求項9】
コンピュータを、請求項１記載の妊娠高血圧症候群の発症予測支援システムとして機能させる、
ことを特徴とする妊娠高血圧症候群の発症予測支援プログラム。
ことを特徴とする妊娠高血圧症候群の発症予測支援プログラム。
【請求項10】
妊婦が妊娠高血圧症候群を発症するか否かの予測を、前記妊娠高血圧症候群の発症率の異なる複数の状態の中から前記妊婦が妊娠中に取り得る前記状態を予測することで支援する発症予測支援システムにより実行される妊娠高血圧症候群の発症予測支援方法であって、
前記発症予測支援システムは、
学習用妊婦ごとの学習用の妊娠中の健診データと前記妊娠高血圧症候群の発症の有無とに基づいて、複数の前記状態間の遷移を予測するように学習された判別器を記憶する記憶部、
を備え、
前記発症予測支援システムが、
予測の対象である前記妊婦が妊娠中に受診した健診で得られた受診済の健診データを取得する取得ステップと、
前記妊婦の前記受診済の前記健診データと、前記判別器と、に基づいて、複数の前記状態の中から前記妊婦が妊娠期間の残期間内に取り得る前記状態を判別する判別ステップと、
前記妊婦の前記残期間内の前記状態に基づいて、前記妊婦の前記残期間内の予測される健診データを算出する算出ステップと、
を有してなり、
前記判別器は、前記状態を隠れ状態とし、前記状態ごとの前記健診データを前記状態の出力変数とする隠れマルコフモデルを用いて学習される、
ことを特徴とする妊娠高血圧症候群の発症予測支援方法。
前記発症予測支援システムは、
学習用妊婦ごとの学習用の妊娠中の健診データと前記妊娠高血圧症候群の発症の有無とに基づいて、複数の前記状態間の遷移を予測するように学習された判別器を記憶する記憶部、
を備え、
前記発症予測支援システムが、
予測の対象である前記妊婦が妊娠中に受診した健診で得られた受診済の健診データを取得する取得ステップと、
前記妊婦の前記受診済の前記健診データと、前記判別器と、に基づいて、複数の前記状態の中から前記妊婦が妊娠期間の残期間内に取り得る前記状態を判別する判別ステップと、
前記妊婦の前記残期間内の前記状態に基づいて、前記妊婦の前記残期間内の予測される健診データを算出する算出ステップと、
を有してなり、
前記判別器は、前記状態を隠れ状態とし、前記状態ごとの前記健診データを前記状態の出力変数とする隠れマルコフモデルを用いて学習される、
ことを特徴とする妊娠高血圧症候群の発症予測支援方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、妊娠高血圧症候群の発症予測支援システムと発症予測支援プログラムと発症予測支援方法とに関する。
【背景技術】
【0002】
妊娠高血圧症候群（ＨＤＰ：Hypertensive Disorder in Pregnancy）は、妊娠中の妊婦のうち約５％の妊婦で発症する周産期合併症の一種である。ＨＤＰは、母体の肝機能障害や腎機能障害、児の子宮内胎児発育不全など、様々な障害を引き起こす。ＨＤＰは、発症転機が突然であり、不可逆的かつ急激に増悪する。重症化すると、母体痙攣である子癇や、常位胎盤早期剥離を引き起こす。すなわち、ＨＤＰは、妊産婦や新生児の死亡、出生児の後遺障害に大きく関与する。そのため、ＨＤＰの発症の早期発見と、早期治療開始と、が求められる。
【0003】
これまでにも、ＨＤＰに関連する提案がされている（例えば、特許文献１－４参照）。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特表２０１５－５２５８７０号公報
【特許文献2】特表２０１５－５１９１０７号公報
【特許文献3】特開２００２－１２２５９２号公報
【特許文献4】特表２０１８－５３６１７０号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
本発明は、侵襲的な検査を必要とせず、一般的な妊婦健診で取得される妊婦の健診データを用いて、その妊婦の妊娠中のＨＤＰの発症の予測を支援する発症予測支援システムと発症予測支援プログラムと発症予測支援方法とを提供することを目的とする。
【課題を解決するための手段】
【0006】
本発明に係るＨＤＰの発症予測支援システムは、妊婦がＨＤＰを発症するか否かの予測を、妊娠高血圧症候群の発症率の異なる複数の状態の中から妊婦が妊娠中に取り得る状態を予測することで支援する、ＨＤＰの発症予測支援システムであって、学習用妊婦ごとの学習用の妊娠中の健診データとＨＤＰの発症の有無とに基づいて、複数の状態間の遷移を予測するように学習された判別器を記憶する記憶部と、予測の対象である妊婦が妊娠中に受診した健診で得られた受診済の健診データを取得する取得部と、妊婦の受診済の健診データと、判別器と、に基づいて、複数の状態の中から妊婦が妊娠期間の残期間内に取り得る状態を判別する判別部と、妊婦の残期間内の状態に基づいて、妊婦の残期間内の予測される健診データを算出する算出部と、を有してなり、判別器は、状態を隠れ状態とし、状態ごとの健診データを状態の出力変数とする隠れマルコフモデルを用いて学習される、ことを特徴とする。
【発明の効果】
【0007】
本発明は、妊婦健診で取得される妊婦の健診データを用いて、その妊婦の妊娠中のＨＤＰの発症の予測を支援する。
【図面の簡単な説明】
【0008】
【図1】本発明に係るＨＤＰの発症予測支援方法の概要を示す模式図である。
【図2】上記方法で用いられる判別器（隠れマルコフモデル）における妊婦の隠れ状態と出力変数との関係を示す模式図である。
【図3】本発明に係るＨＤＰの発症予測支援システムの実施の形態を示す機能ブロック図である。
【図4】上記システムが備える記憶部に記憶される隠れ状態ごとの出力確率（拡張期血圧）の例を示す模式図である。
【図5】上記記憶部に記憶される隠れ状態ごとの出力確率（収縮期血圧）の例を示す模式図である。
【図6】上記記憶部に記憶される隠れ状態ごとの出力確率（尿蛋白）の例を示す模式図である。
【図7】上記記憶部に記憶される隠れ状態ごとの出力変数の平均値の例を示す模式図である。
【図8】上記判別器の状態遷移確率の例を示す模式図である。
【図9】上記判別器の状態遷移確率の例を示す模式図である。
【図10】上記記憶部に記憶される上記状態遷移確率の例を示す模式図である。
【図11】上記記憶部に記憶される上記状態遷移確率の例を示す模式図である。
【図12】上記判別器の候補ごとの評価量の例を示す模式図である。
【図13】上記判別器のＲＯＣ曲線の例を示す模式図である。
【図14】上記判別器に予測された出力変数の例を示す模式図である。
【図15】上記判別器を備える上記発症予測支援システムの出力例を示す模式図である。
【図16】上記判別器に予測された隠れ状態の例を示す模式図である。
【図17】上記判別器に予測された隠れ状態の例を示す模式図である。
【図18】上記判別器に予測された隠れ状態の例を示す模式図である。
【図19】上記判別器に予測された隠れ状態の例を示す模式図である。
【図20】上記判別器に予測された隠れ状態の例を示す模式図である。
【図21】上記判別器に予測された隠れ状態の例を示す模式図である。
【発明を実施するための形態】
【0009】
本発明に係る妊娠高血圧症候群（以下「ＨＤＰ」という。）の発症予測支援システムと発症予測支援プログラムと発症予測支援方法との実施の形態は、以下に、図面と共に説明される。
【0010】
●発症予測支援方法の概要●
図１は、本発明に係るＨＤＰの発症予測支援方法（以下「本方法」という。）の概要を示す模式図である。
同図は、妊娠週数と血圧との関係を示す。同図は、発症前の妊婦が受診した妊婦健診で得られた血圧（健診データの例）を実線の丸印で示す。同図は、妊婦健診で得られた血圧をもとに、本発明における判別器が予測した血圧を点線の丸印で示す。同図は、予測された血圧が医師の診断を必要とする診断ラインの血圧を超える妊婦が発症群であり、予測された血圧が診断ラインを超えない妊婦が非発症群であることを示す。
図１は、本発明に係るＨＤＰの発症予測支援方法（以下「本方法」という。）の概要を示す模式図である。
同図は、妊娠週数と血圧との関係を示す。同図は、発症前の妊婦が受診した妊婦健診で得られた血圧（健診データの例）を実線の丸印で示す。同図は、妊婦健診で得られた血圧をもとに、本発明における判別器が予測した血圧を点線の丸印で示す。同図は、予測された血圧が医師の診断を必要とする診断ラインの血圧を超える妊婦が発症群であり、予測された血圧が診断ラインを超えない妊婦が非発症群であることを示す。
【0011】
本方法は、判別器が妊婦の妊娠中の受診済の健診データに基づいて妊婦の妊娠期間の残期間の健診データを予測する。すなわち、本方法は、妊娠週数第Ｎ週までに妊婦が受診した妊婦健診で得られた健診データに基づいて、妊娠週数第Ｎ＋１週以降（例えば、第４０週まで）の妊娠週数ごとの妊婦の健診データを予測する。本方法の使用者である医師は、本方法により予測された妊婦の健診データを基に、妊婦のＨＤＰの発症の有無を予測する。その結果、医師は、ＨＤＰの発症が予測される妊婦に対する治療などの処置を、発症前に講じることができる。
【0012】
図２は、本方法で用いられる判別器における妊婦の隠れ状態（内部状態）と出力変数との関係を示す模式図である。
本方法は、隠れマルコフモデル（ＨＭＭ：Hidden Markov Model）を用いて統計的機械学習された判別器を用いる。
本方法は、隠れマルコフモデル（ＨＭＭ：Hidden Markov Model）を用いて統計的機械学習された判別器を用いる。
【0013】
ここで、ＨＭＭは、時系列データを取り扱うことができる学習モデルである。ＨＭＭは、マルコフ過程で表される隠れ状態が出力変数（応答変数）を通じて観測される学習モデルである。ＨＭＭは、補完などに頼ることなくデータの欠損を扱うことができる。ＨＭＭは、妊婦健診のタイミングが妊婦ごとに多少の前後があっても、各妊婦の健診データを統一して取り扱うことができる。ＨＭＭは、時系列データを取り扱うことができる回帰型ニューラルネットワーク（ＲＮＮ：Recurrent Neural Network）など他の学習モデルと比べて、高速の学習アルゴリズムが存在する点や、出力変数を除き教師ラベルを必要としない利点を備える。このような観点から、本発明者らは、ＨＭＭを用いて学習された判別器を用いることにした。
【0014】
なお、本方法で用いられる判別器は、妊娠週数（時間）の経過に応じた妊婦の状態の遷移を判別結果に反映するために、状態遷移確率の共変量として妊娠週数が用いられている。すなわち、判別器は、従来のＨＭＭを、妊娠週数（時間）に依存する共変量を状態遷移行列のパラメータに許容するモデル（マルコフ依存混合モデル）に拡張されている。
【0015】
図２は、本方法で用いられる判別器（隠れマルコフモデル）における、妊婦の内部状態である隠れ状態と、出力変数と、の関係を示す模式図である。
同図は、妊娠週数の経過と共に、妊婦の内部状態である隠れ状態がｘ１からｘ２、ｘ２からｘ３、に遷移する様子を示す。同図は、隠れ状態隠れ状態ｘ１からｘ２への状態遷移確率がＰ１２であること、隠れ状態ｘ２からｘ３への状態遷移確率がＰ２３であること、を示す。同図は、妊娠週数ごとの妊婦の健診データである血圧と尿蛋白（ｙ１，ｙ２，ｙ３）が、妊娠週数ごとの隠れ状態（ｘ１，ｘ２，ｘ３）から観測されることを示す。
同図は、妊娠週数の経過と共に、妊婦の内部状態である隠れ状態がｘ１からｘ２、ｘ２からｘ３、に遷移する様子を示す。同図は、隠れ状態隠れ状態ｘ１からｘ２への状態遷移確率がＰ１２であること、隠れ状態ｘ２からｘ３への状態遷移確率がＰ２３であること、を示す。同図は、妊娠週数ごとの妊婦の健診データである血圧と尿蛋白（ｙ１，ｙ２，ｙ３）が、妊娠週数ごとの隠れ状態（ｘ１，ｘ２，ｘ３）から観測されることを示す。
【0016】
本実施の形態において、本方法は、後述のとおり、ＨＤＰの発症率の異なる状態１から状態１４までの１４の隠れ状態（以下「状態」という。）のうち、現時点の妊婦の状態を、妊婦の受診済の健診データに基づいて判別する。１４の状態のうち、ＨＤＰの発症率の最小の状態は状態１であり、ＨＤＰの発症率の最大の状態は状態１４である。
【0017】
本方法は、判別された現時点の妊婦の状態（受診済の健診データで判別された状態）と、状態遷移確率と、に基づいて、妊婦の今後の状態を予測する。本方法は、予測された妊婦の今後の状態に基づいて、妊婦の今後の健診データを予測する。本方法の使用者である医師は、予測された妊婦の今後の健診データを参照して、妊婦がＨＤＰを発症するか否か、あるいは、発症が予測される時期（妊娠週数）を把握して、必要に応じて妊婦への治療を開始する。
【0018】
●発症予測支援システムの構成●
図３は、本発明に係るＨＤＰの発症予測支援システム（以下「本システム」という。）の実施の形態を示す機能ブロック図である。
図３は、本発明に係るＨＤＰの発症予測支援システム（以下「本システム」という。）の実施の形態を示す機能ブロック図である。
【0019】
本システムは、パーソナルコンピュータなどの情報処理装置により実現される。本システムは、本発明に係るＨＤＰの発症予測支援プログラム（以下「本プログラム」という。）を実行する。本システムで動作する本プログラムは、本システムのハードウェア資源と協働して、本方法を実現する。
【0020】
本システムのハードウェア資源は、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＤＳＰ（Digital Signal Processor）などのプロセッサである。プロセッサは、本プログラムに記述された命令を実行することで、本システムが備える後述の各手段を実現する。
【0021】
なお、本システムとは異なる図示しない情報処理装置が、本プログラムを実行することで、同情報処理装置は本システムと同様に機能して、本方法を実現する。
【0022】
本システム１は、記憶部２と、健診データ取得部３と、状態判別部４と、出力変数算出部５と、出力部６と、を有してなる。
【0023】
記憶部２は、本プログラム（判別器）と、本システム１が本方法を実現するために用いる情報などを記憶する。記憶部２は、例えば、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、ＲＡＭ（Random Access Memory）、フラッシュメモリなどの半導体メモリ素子、などである。本システム１が本方法を実現するために用いる情報の詳細は、後述される。
【0024】
健診データ取得部３は、予測の対象となる妊婦の妊娠中の妊娠週数ごとの受診済の健診データを取得する。本実施の形態における健診データは、収縮期血圧と、拡張期血圧と、尿蛋白である。なお、本発明において、ＨＤＰの発症の予測に用いられる健診データは、少なくとも、収縮期血圧と、拡張期血圧と、尿蛋白と、のいずれか１つを含む。
【0025】
健診データ取得部３は、例えば、本システム１の使用者（医師など）が本システム１のディスプレイ（不図示）に表示された画面に入力した健診データを読み込んで、記憶部２に記憶する。あるいは、健診データ取得部３は、通信ネットワークを介して接続する情報処理装置（不図示）から健診データを受信して、記憶部２に記憶する。
【0026】
状態判別部４は、妊婦の受診済の健診データと、判別器と、に基づいて、複数の状態の中から妊婦が妊娠期間の残期間内に取り得る状態を判別する。状態の判別の詳細は、後述される。
【0027】
出力変数算出部５は、妊婦の残期間内の状態に基づいて、予測される妊婦の残期間内の妊娠週数ごとの健診データを算出する。出力変数算出部５は、妊婦の残期間内に取り得る状態と、各状態での出力変数ごとの出力確率と、に基づいて、健診データの予測値を算出する。妊婦の妊娠週数ごとの健診データの算出の詳細は、後述される。
【0028】
出力部６は、状態判別部４に判別された状態や、出力変数算出部５に算出された健診データを、出力する。出力部６による状態や健診データの出力の態様は、例えば、記憶部２に状態などを記憶する、本システム１のディスプレイ（不図示）に状態などを表示する、本システム１と通信ネットワークを介して接続する情報処理装置に状態などを送信する、などである。
【0029】
●記憶部に記憶される情報●
記憶部２は、前述のとおり、本システム１が本方法を実現するために用いる情報を記憶する。記憶部２に記憶される情報は、判別器を構成する情報と、予測の対象となる妊婦ごとの情報と、である。判別器を構成する情報は、妊娠週数ごとの各状態間の状態遷移確率と、健診データ（拡張期血圧と収縮期血圧と尿蛋白）の状態ごとの出力確率と、を含む。予測の対象となる妊婦ごとの情報は、妊婦の受診済みの妊娠週数ごとの健診データ（拡張期血圧と収縮期血圧と尿蛋白）を含む。
記憶部２は、前述のとおり、本システム１が本方法を実現するために用いる情報を記憶する。記憶部２に記憶される情報は、判別器を構成する情報と、予測の対象となる妊婦ごとの情報と、である。判別器を構成する情報は、妊娠週数ごとの各状態間の状態遷移確率と、健診データ（拡張期血圧と収縮期血圧と尿蛋白）の状態ごとの出力確率と、を含む。予測の対象となる妊婦ごとの情報は、妊婦の受診済みの妊娠週数ごとの健診データ（拡張期血圧と収縮期血圧と尿蛋白）を含む。
【0030】
【0031】
図４は、状態ごとの拡張期血圧の出力確率の例を示す。
同図は、状態（状態１から状態１４）と、取り得る拡張期血圧（ｄ１，ｄ２，・・・，ｄｍ）それぞれの出力確率（Ｐ１（ｄ１），Ｐ１（ｄ２），・・・，Ｐ１４（ｄｍ））と、が関連付けて記憶部２に記憶されていることを示す。同図は、例えば、状態１において、拡張期血圧ｄ１の出力確率は、Ｐ１（ｄ１）であることを示す。換言すれば、同図は、状態１における拡張期血圧は、出力確率Ｐ１（ｄ１）でｄ１であることを示す。
同図は、状態（状態１から状態１４）と、取り得る拡張期血圧（ｄ１，ｄ２，・・・，ｄｍ）それぞれの出力確率（Ｐ１（ｄ１），Ｐ１（ｄ２），・・・，Ｐ１４（ｄｍ））と、が関連付けて記憶部２に記憶されていることを示す。同図は、例えば、状態１において、拡張期血圧ｄ１の出力確率は、Ｐ１（ｄ１）であることを示す。換言すれば、同図は、状態１における拡張期血圧は、出力確率Ｐ１（ｄ１）でｄ１であることを示す。
【0032】
ここで、本実施の形態において、「情報Ｊと情報Ｋとが関連付けて記憶部２に記憶されている」とは、本システム１が情報Ｊ（または情報Ｋ）をもとに記憶部２を参照することで、情報Ｋ（または情報Ｊ）を記憶部２から読み出すことができることをいう。すなわち、例えば、本システム１は、状態１をもとに記憶部２を参照することで、状態１と関連付けて記憶部２に記憶されている拡張期血圧ｄ１の出力確率Ｐ１（ｄ１）を読み出すことができる。
【0033】
図５は、状態ごとの収縮期血圧の出力確率の例を示す。
同図は、状態（状態１から状態１４）と、取り得る収縮期血圧（ｓ１，ｓ２，・・・，ｓｎ）それぞれの出力確率（Ｐ１（ｓ１），Ｐ１（ｓ２），・・・，Ｐ１４（ｓｎ））と、が関連付けて記憶部２に記憶されていることを示す。同図は、例えば、状態１において、収縮期血圧ｓ１の出力確率は、Ｐ１（ｓ１）であることを示す。換言すれば、同図は、状態１における収縮期血圧は、出力確率Ｐ１（ｓ１）でｓ１であることを示す。
同図は、状態（状態１から状態１４）と、取り得る収縮期血圧（ｓ１，ｓ２，・・・，ｓｎ）それぞれの出力確率（Ｐ１（ｓ１），Ｐ１（ｓ２），・・・，Ｐ１４（ｓｎ））と、が関連付けて記憶部２に記憶されていることを示す。同図は、例えば、状態１において、収縮期血圧ｓ１の出力確率は、Ｐ１（ｓ１）であることを示す。換言すれば、同図は、状態１における収縮期血圧は、出力確率Ｐ１（ｓ１）でｓ１であることを示す。
【0034】
図６は、状態ごとの尿蛋白の出力確率の例を示す。
同図は、状態（状態１から状態１４）と、取り得る尿蛋白（ｐ１，ｐ２，・・・，ｐｒ）それぞれの出力確率（Ｐ１（ｐ１），Ｐ１（ｐ２），・・・，Ｐ１４（ｐｒ））と、が関連付けて記憶部２に記憶されていることを示す。同図は、例えば、状態１において、尿蛋白ｐ１の出力確率は、Ｐ１（ｐ１）であることを示す。換言すれば、同図は、状態１における尿蛋白は、出力確率Ｐ１（ｐ１）でｐ１であることを示す。
同図は、状態（状態１から状態１４）と、取り得る尿蛋白（ｐ１，ｐ２，・・・，ｐｒ）それぞれの出力確率（Ｐ１（ｐ１），Ｐ１（ｐ２），・・・，Ｐ１４（ｐｒ））と、が関連付けて記憶部２に記憶されていることを示す。同図は、例えば、状態１において、尿蛋白ｐ１の出力確率は、Ｐ１（ｐ１）であることを示す。換言すれば、同図は、状態１における尿蛋白は、出力確率Ｐ１（ｐ１）でｐ１であることを示す。
【0035】
このように、本システム１は、判別された状態に基づいて、その状態の時点において取り得る健診データごとの出力確率を特定できる。
【0036】
図７は、状態ごとの健診データの平均値の例を示す模式図である。
同図は、状態と、健診データごとの平均値などと、が関連付けて記憶部２に記憶されていることを示す。同図は、例えば、状態１における拡張期血圧の平均値が５７ｍｍＨｇであることを示す。この拡張期血圧の平均値は、図４に示された状態ごとに取り得る拡張期血圧の出力確率に基づいて算出される。すなわち、例えば、状態１における拡張期血圧の平均値は、
同平均値＝ｄ１×Ｐ１（ｄ１）＋ｄ２×Ｐ１（ｄ２）＋・・・＋ｄｍ×Ｐ１（ｄｍ）
で算出される。
同図は、状態と、健診データごとの平均値などと、が関連付けて記憶部２に記憶されていることを示す。同図は、例えば、状態１における拡張期血圧の平均値が５７ｍｍＨｇであることを示す。この拡張期血圧の平均値は、図４に示された状態ごとに取り得る拡張期血圧の出力確率に基づいて算出される。すなわち、例えば、状態１における拡張期血圧の平均値は、
同平均値＝ｄ１×Ｐ１（ｄ１）＋ｄ２×Ｐ１（ｄ２）＋・・・＋ｄｍ×Ｐ１（ｄｍ）
で算出される。
【0037】
同図に示される状態ごとの収縮期血圧や尿蛋白の平均値の算出方法も、前述の拡張期血圧の平均値の算出方法と同様である。
【0038】
【0039】
図８は、妊娠週数第２５週時点での状態遷移確率の例を示す。
図９は、妊娠週数第３５週時点での状態遷移確率の例を示す。
同図中、矩形は、各状態を示す。図中、状態を示す矩形内の文字は、例えば、ＳＴ５が状態５を示す。矩形内のかっこ内の数字は、紙面左から順に、その状態における、拡張期血圧の平均値、収縮期血圧の平均値、尿蛋白の平均値を示す（図７参照）。図中、矩形を結ぶ矢印の線は、矢印の元の矩形の状態から矢印の先の矩形の状態への遷移を示し、矢印の線に付記されている数字はその遷移の状態遷移確率である。
図９は、妊娠週数第３５週時点での状態遷移確率の例を示す。
同図中、矩形は、各状態を示す。図中、状態を示す矩形内の文字は、例えば、ＳＴ５が状態５を示す。矩形内のかっこ内の数字は、紙面左から順に、その状態における、拡張期血圧の平均値、収縮期血圧の平均値、尿蛋白の平均値を示す（図７参照）。図中、矩形を結ぶ矢印の線は、矢印の元の矩形の状態から矢印の先の矩形の状態への遷移を示し、矢印の線に付記されている数字はその遷移の状態遷移確率である。
【0040】
すなわち、例えば、図８は、状態５の遷移先の状態が、状態１、状態５（状態が変わらない）、状態１２、状態１３のいずれかであることを示し、状態１への遷移の状態遷移確率は０．０２、状態５への遷移の状態遷移確率は０．９１、状態１２への遷移の状態遷移確率は０．０４，状態１３への遷移の状態遷移確率は０．０３であることを示す。
【0041】
また、例えば、図９は、状態５の遷移先の状態が、状態１、状態５（状態が変わらない）、状態１２、状態１３、状態１４のいずれかであることを示し、状態１への遷移の状態遷移確率は０．０１、状態５への遷移の状態遷移確率は０．８５、状態１２への遷移の状態遷移確率は０．０６，状態１３への遷移の状態遷移確率は０．０７、状態１４への遷移の状態遷移確率は０．０１であることを示す。
【0042】
【0043】
図１０は、図８に示された妊娠週数第２５週時点での状態遷移確率の例を示す。
図１１は、図９に示された妊娠週数第３５週時点での状態遷移確率の例を示す。
同図らは、遷移元の状態と、遷移先の状態ごとの遷移元の状態からの状態遷移確率と、が関連付けて記憶部２に記憶されていることを示す。
図１１は、図９に示された妊娠週数第３５週時点での状態遷移確率の例を示す。
同図らは、遷移元の状態と、遷移先の状態ごとの遷移元の状態からの状態遷移確率と、が関連付けて記憶部２に記憶されていることを示す。
【0044】
●判別器の実施例●
以下は、本発明者らに生成された判別器の実施例である。
以下は、本発明者らに生成された判別器の実施例である。
【0045】
●状態の数
判別器は、複数の判別器の候補の中から選択されたものである。複数の判別器の候補のそれぞれは、ハイパーパラメータとしての状態の数が異なる。すなわち、本発明者らは、状態の数をハイパーパラメータとして扱い、状態の数が１０から１６までの７つの判別器の候補それぞれに、学習用データを学習させた。学習用データは、学習用妊婦（４０３８人）の受診済の健診データと、各学習用妊婦がＨＤＰを発症したか否かの情報と、を含む。学習は、ＨＭＭを用いた統計的機械学習である。ＨＭＭは、状態間の遷移（状態間の最も可能性の高い遷移）を予測するモデルとして学習される。本発明者らは、判別器の候補の中から、ＨＤＰの発症の予測精度が最も高いと考えられる候補を判別器として選択した。
判別器は、複数の判別器の候補の中から選択されたものである。複数の判別器の候補のそれぞれは、ハイパーパラメータとしての状態の数が異なる。すなわち、本発明者らは、状態の数をハイパーパラメータとして扱い、状態の数が１０から１６までの７つの判別器の候補それぞれに、学習用データを学習させた。学習用データは、学習用妊婦（４０３８人）の受診済の健診データと、各学習用妊婦がＨＤＰを発症したか否かの情報と、を含む。学習は、ＨＭＭを用いた統計的機械学習である。ＨＭＭは、状態間の遷移（状態間の最も可能性の高い遷移）を予測するモデルとして学習される。本発明者らは、判別器の候補の中から、ＨＤＰの発症の予測精度が最も高いと考えられる候補を判別器として選択した。
【0046】
図１２は、判別器の候補それぞれの評価量の例を示す模式図である。
同図は、状態の数と、評価量、との関係を示す。図中、ＡＩＣは赤池情報量規準の評価量を示し、ＢＩＣはベイズ情報量規準の評価量を示す。
同図は、ＡＩＣの評価量が、状態の数の増加と共に減少することを示す。
同図は、ＢＩＣの評価量が、状態の数の増加と共に減少し、状態の数が１５以降で増加に転じることを示す。
そこで、本発明者らは、判別器の候補の中から、状態の数が１４の候補を判別器として選択した。
同図は、状態の数と、評価量、との関係を示す。図中、ＡＩＣは赤池情報量規準の評価量を示し、ＢＩＣはベイズ情報量規準の評価量を示す。
同図は、ＡＩＣの評価量が、状態の数の増加と共に減少することを示す。
同図は、ＢＩＣの評価量が、状態の数の増加と共に減少し、状態の数が１５以降で増加に転じることを示す。
そこで、本発明者らは、判別器の候補の中から、状態の数が１４の候補を判別器として選択した。
【0047】
●判別器の予測精度
図１３は、判別器の候補の中から本発明者らに選択された判別器のＲＯＣ（Receiver Operating Characteristic）曲線の例を示す模式図である。
図中、グラフＡは学習用データ（３３８４人の妊婦それぞれの妊娠全期間の健診データ）のＲＯＣ曲線、グラフＢは検証用データ（８４７人の妊婦それぞれの妊娠全期間の健診データ）のＲＯＣ曲線、グラフＣは検証用データ（８４７人の妊婦それぞれの妊娠週数第３１週までの健診データ）のＲＯＣ曲線、である。グラフＡ，Ｂ，Ｃのそれぞれは、同一の判別器を用いて、妊婦ごとの健診データから最も尤度の高い遷移が推定（予測）されて、最も高リスクの状態（ＨＤＰの発症率の最も高い状態）がスコアとして用いられている。
図１３は、判別器の候補の中から本発明者らに選択された判別器のＲＯＣ（Receiver Operating Characteristic）曲線の例を示す模式図である。
図中、グラフＡは学習用データ（３３８４人の妊婦それぞれの妊娠全期間の健診データ）のＲＯＣ曲線、グラフＢは検証用データ（８４７人の妊婦それぞれの妊娠全期間の健診データ）のＲＯＣ曲線、グラフＣは検証用データ（８４７人の妊婦それぞれの妊娠週数第３１週までの健診データ）のＲＯＣ曲線、である。グラフＡ，Ｂ，Ｃのそれぞれは、同一の判別器を用いて、妊婦ごとの健診データから最も尤度の高い遷移が推定（予測）されて、最も高リスクの状態（ＨＤＰの発症率の最も高い状態）がスコアとして用いられている。
【0048】
同図は、以下のとおり、グラフＡ，Ｂ，ＣそれぞれのＡＵＣ（Area Under the Curve）を示す。
グラフＡ：ＡＵＣ＝０．８４２
グラフＢ：ＡＵＣ＝０．８４１
グラフＣ：ＡＵＣ＝０．７２５
グラフＡ：ＡＵＣ＝０．８４２
グラフＢ：ＡＵＣ＝０．８４１
グラフＣ：ＡＵＣ＝０．７２５
【0049】
同図は、グラフＡ，ＢそれぞれのＡＵＣが０．８４より大きく、良好な精度を示し、両者ともに同程度の精度水準であることを示す。
一方、同図は、グラフＣのＡＵＣがグラフＡ，ＢのＡＵＣと比べて劣るものの、妊娠週数第３１週以前の健診データから、その後の妊娠期間の残期間のＨＤＰの発症を予測できることを示す。
一方、同図は、グラフＣのＡＵＣがグラフＡ，ＢのＡＵＣと比べて劣るものの、妊娠週数第３１週以前の健診データから、その後の妊娠期間の残期間のＨＤＰの発症を予測できることを示す。
【0050】
●判別器の予測値
図１４は、判別器に予測される出力変数の例を示す模式図である。
同図は、妊婦の受診済の健診データをもとに判別器が予測して出力した妊娠週数ごとの血圧を示す。図中、紙面上側の実線のグラフは、収縮期血圧の中央値（予測値の平均値）であり、紙面下側の実線のグラフは、拡張期血圧の中央値を示す。
図中、収縮期血圧の中央値のグラフを囲む線は、妊娠週数ごとの収縮期血圧の信用区間９５％の予測値の範囲を示す。図中、拡張期血圧の中央値のグラフを囲む線は、妊娠週数ごとの拡張期血圧の信用区間９５％の予測値の範囲を示す。
図中、収縮期血圧の中央値のグラフを囲む線内に表示された円形は、妊婦の受診済の健診データに含まれる収縮期血圧の実測値を示す。図中、拡張期血圧の中央値のグラフを囲む線内に表示された三角形は、妊婦の受診済の健診データに含まれる拡張期血圧の実測値を示す。
図１４は、判別器に予測される出力変数の例を示す模式図である。
同図は、妊婦の受診済の健診データをもとに判別器が予測して出力した妊娠週数ごとの血圧を示す。図中、紙面上側の実線のグラフは、収縮期血圧の中央値（予測値の平均値）であり、紙面下側の実線のグラフは、拡張期血圧の中央値を示す。
図中、収縮期血圧の中央値のグラフを囲む線は、妊娠週数ごとの収縮期血圧の信用区間９５％の予測値の範囲を示す。図中、拡張期血圧の中央値のグラフを囲む線は、妊娠週数ごとの拡張期血圧の信用区間９５％の予測値の範囲を示す。
図中、収縮期血圧の中央値のグラフを囲む線内に表示された円形は、妊婦の受診済の健診データに含まれる収縮期血圧の実測値を示す。図中、拡張期血圧の中央値のグラフを囲む線内に表示された三角形は、妊婦の受診済の健診データに含まれる拡張期血圧の実測値を示す。
【0051】
図１５は、本システム１の予測結果の出力例を示す模式図である。
同図は、妊婦の妊娠期間の残期間における健診データの予測値が表示された予測結果出力画面である。同画面は、出力部６により、本システム１のディスプレイ（不図示）に表示される。同画面に表示された健診データの予測値は、状態判別部４に判別された妊娠週数ごとの状態に基づいて、出力変数算出部５により算出される。
同図は、妊婦の妊娠期間の残期間における健診データの予測値が表示された予測結果出力画面である。同画面は、出力部６により、本システム１のディスプレイ（不図示）に表示される。同画面に表示された健診データの予測値は、状態判別部４に判別された妊娠週数ごとの状態に基づいて、出力変数算出部５により算出される。
【0052】
同図は、妊婦の妊娠週数第３３週までの受診済の健診データに基づいて、第３４週以降の妊娠週数ごとの妊婦の状態と健診データとの予測値を示す。本システム１の使用者（医師）は、同図に示された予測値に基づいて、妊婦のＨＤＰの発症の可能性を判断し、必要に応じて、発症前に処置を講ずる。
【0053】
●判別器による予測例
図１６－図２１は、判別器に予測された妊婦ごとの状態の例を示す模式図である。
図１６－図１８は、ＨＤＰを発症した妊婦の受診済の健診データに基づいて判別器が予測した状態を示す。一方、図１９－図２１は、ＨＤＰを発症しなかった妊婦の受診済の健診データに基づいて判別器が予測した状態を示す。
図１６－図２１は、判別器に予測された妊婦ごとの状態の例を示す模式図である。
図１６－図１８は、ＨＤＰを発症した妊婦の受診済の健診データに基づいて判別器が予測した状態を示す。一方、図１９－図２１は、ＨＤＰを発症しなかった妊婦の受診済の健診データに基づいて判別器が予測した状態を示す。
【0054】
同図らは、予測の対象となる妊婦ごとに判別器が予測した妊娠週数ごとの状態を示す。すなわち、図１６－図２１は、６人の妊婦それぞれの予測例である。図中、妊娠週数は、説明の便宜上、５週ごとに表示されているが、実際には、例えば、第１週から第４５週までの週ごとに予測される。
【0055】
図中、「●」は、予測の対象となる妊婦の受診済の健診データが存在する妊娠週数を示す。すなわち、例えば、図１６に示される妊婦に関して、判別器は、妊娠週数第２０週までの受診済みの健診データを基に、妊娠週数第２１週以降の妊婦の状態を予測していることを示す。
【0056】
なお、判別器は、妊娠週数第２０週までの受診済の健診データを基に妊娠週数第２１週以降の妊婦の状態を予測するにあたり、妊娠週数第２０週以前の過去の妊婦の状態も推定する。すなわち、前述のとおり、本発明における判別器は、隠れマルコフモデルを用いて学習されている。つまり、図２に示されるように、例えば、妊娠週数第２１週の妊婦の状態は、妊娠週数第２０週の妊婦の状態と、状態遷移確率とに基づいて、判別される。そのため、判別器は、妊娠週数第２０週までの受診済みの健診データを基に、妊娠週数第２０週までの妊婦の状態も推定する。
【0057】
ここで、判別器による予測は、予測の対象となる妊婦の受診済の健診データに基づいて行われる。そのため、同図らに図示されている判別器の予測の時期（妊娠週数）は、妊婦ごとに異なる。すなわち、例えば、図１６に示される妊婦に関して、判別器は、妊娠週数第２０週までの受診済の健診データに基づいて、妊娠週数第２１週以降の状態を予測している。また、例えば、図１７に示される妊婦に関して、判別器は、妊娠週数第２５週まで の受診済の健診データに基づいて、妊娠週数第２６週以降の状態を予測している。
【0058】
また、前述のとおり、判別器による予測は、予測の対象となる妊婦の受診済の健診データに基づいて行われる。そのため、例えば、図１６に示される妊婦に関して、同図は、妊娠週数第２０週までの受診済の健診データに基づいて、妊娠週数第２１週以降の状態が予測されていることを示す。同じ妊婦に関して、例えば、その５週間後に、妊娠週数第２５週までの受診済の健診データが存在するとき、妊娠週数第２５週までの受診済の健診データに基づき、判別器は、妊娠週数第２６週以降の状態を予測する。このとき、妊娠週数第２５週までの受診済の健診データに基づく妊娠週数第２６週以降の予測の結果は、妊娠週数第２０週までの受診済の健診データに基づく妊娠週数第２６週以降の予測の結果と異なり得る。すなわち、妊婦の受診済の健診データが多ければ多いほど、予測の精度、つまり、その妊婦がＨＤＰを発症するか否かに関する予測の精度は高まる。
【0059】
図中、墨塗は、判別器に予測された状態を示す。
図１６は、判別器が、妊娠週数第２０週までの妊婦の受診済の健診データに基づいて、その妊婦に関して、妊娠週数の第１０週までを状態８、第１１週から第２０週までを状態１１、と推定すると共に、第２１週から第３０週までを状態１２、第３１週から第４５週までを状態１３、と予測したことを示す。
図１７は、判別器が、妊娠週数第２５週までの妊婦の受診済の健診データに基づいて、その妊婦に関して、妊娠週数の第１５週までを状態１２、第１６週から第２５週までを状態８、と推定すると共に、第２６週から第３０週までを状態１３、第３１週から第４５週までを状態１４、と予測したことを示す。
図１８は、判別器が、妊娠週数第１５週までの妊婦の受診済の健診データに基づいて、その妊婦に関して、妊娠週数の第１５週までを状態１３、と推定すると共に、第１６週から第４５週までを状態１３、と予測したことを示す。
図１６は、判別器が、妊娠週数第２０週までの妊婦の受診済の健診データに基づいて、その妊婦に関して、妊娠週数の第１０週までを状態８、第１１週から第２０週までを状態１１、と推定すると共に、第２１週から第３０週までを状態１２、第３１週から第４５週までを状態１３、と予測したことを示す。
図１７は、判別器が、妊娠週数第２５週までの妊婦の受診済の健診データに基づいて、その妊婦に関して、妊娠週数の第１５週までを状態１２、第１６週から第２５週までを状態８、と推定すると共に、第２６週から第３０週までを状態１３、第３１週から第４５週までを状態１４、と予測したことを示す。
図１８は、判別器が、妊娠週数第１５週までの妊婦の受診済の健診データに基づいて、その妊婦に関して、妊娠週数の第１５週までを状態１３、と推定すると共に、第１６週から第４５週までを状態１３、と予測したことを示す。
【0060】
図１６－図１８の図中、紙面上下方向に配された太線は、その妊婦がＨＤＰを発症した妊娠週数を示す。すなわち、例えば、図１６に示される妊婦に関して、同図は、同妊婦が妊娠週数第３５週にＨＤＰを発症したことを示す。つまり、同図は、同妊婦の妊娠週数第２０週までの受診済の健診データに基づいて推定・予測された妊婦の妊娠週数ごとの状態と、同妊婦が実際にＨＤＰを発症した妊娠週数と、が重畳表示されていることを示す。
【0061】
図１９は、妊娠期間中、状態２のままと推定・予測された妊婦が、実際にＨＤＰを発症しなかったことを示す。
図２０は、妊娠期間中、状態１２のままと推定・予測された妊婦が、実際にＨＤＰを発症しなかったことを示す。
図２１は、妊娠期間中、妊娠週数の経過と共に、妊婦の状態がＨＤＰの発症率の高い状態に徐々に推移すると推定・予測された妊婦が、実際にＨＤＰを発症しなかったことを示す。
図２０は、妊娠期間中、状態１２のままと推定・予測された妊婦が、実際にＨＤＰを発症しなかったことを示す。
図２１は、妊娠期間中、妊娠週数の経過と共に、妊婦の状態がＨＤＰの発症率の高い状態に徐々に推移すると推定・予測された妊婦が、実際にＨＤＰを発症しなかったことを示す。
【0062】
●まとめ●
以上説明された実施の形態によれば、本システム１は、妊婦の状態（内部状態）を隠れ状態とし、状態ごとの健診データを状態の出力変数とする隠れマルコフモデルを用いて学習された判別器を用いて、妊婦の妊娠期間の残期間における健診データを予測する。本システム１の使用者（医師）は、本システム１が出力した健診データの予測値を参照して妊婦のＨＤＰの発症の可能性を判断し、必要に応じて、発症前に処置を講じる。すなわち、本システム１は、妊婦健診で取得される妊婦の健診データを用いて、その妊婦の妊娠中のＨＤＰの発症の予測を支援する。
以上説明された実施の形態によれば、本システム１は、妊婦の状態（内部状態）を隠れ状態とし、状態ごとの健診データを状態の出力変数とする隠れマルコフモデルを用いて学習された判別器を用いて、妊婦の妊娠期間の残期間における健診データを予測する。本システム１の使用者（医師）は、本システム１が出力した健診データの予測値を参照して妊婦のＨＤＰの発症の可能性を判断し、必要に応じて、発症前に処置を講じる。すなわち、本システム１は、妊婦健診で取得される妊婦の健診データを用いて、その妊婦の妊娠中のＨＤＰの発症の予測を支援する。
【0063】
以上説明されたとおり、本システム１は、妊婦の妊娠期間中の経時的な健診データ（血圧や血液データ）の推移の中の変動パターンから、妊婦の今後の身体の状態を予測する。本システム１による予測は、妊婦それぞれの妊婦健診のたびに積み重ねられる受診済の健診データに基づくものであり、妊婦を診察する医師の経験などに依存しない。
【0064】
ここで、本システム１の判別器の学習時や、本システム１の予測時に用いられる健診データは、わが国において、全妊婦が妊娠期間中に定期的に受診する妊婦健診で得られる。つまり、本システム１で必要とされる健診データは、本システムに特有な情報ではなく、わが国に長年にわたり蓄積されている経時的な情報である。すなわち、本システム１で用いられる健診データは、全妊婦が同一の妊娠週数ごとに受診する妊婦健診で得られる、密で整ったデータである。この密で整ったデータを用いて学習される本システム１の判別器の判別精度は、高い。
【0065】
また、本システム１は、既存の妊婦健診の検査で得られる情報を用いるものであり、妊婦健診の新たな検査項目を必要とせず、侵襲的な検査も必要としない。
【0066】
さらに、本システム１は、わが国で統一して実施されている妊婦健診の検査で得られる情報を用いる。そのため、わが国、あるいは、わが国の妊婦健診の検査と同様の検査を行う諸外国のいずれの医療機関においても、本システム１は利用可能である。
【0067】
このように、本システム１は、これまで、妊娠管理のための逐次データとしてのみ使用されてきた妊婦健診で得られた健診データをもとに、ＨＤＰの発症を精度良く予測することで、医師らを支援できる。
【0068】
●本システムと本プログラムと本方法の特徴●
これまでに説明された本システムと本プログラムと本方法の特徴は、以下にまとめて記載される。
これまでに説明された本システムと本プログラムと本方法の特徴は、以下にまとめて記載される。
【0069】
●本システムの特徴
本システムは、
妊婦が妊娠高血圧症候群を発症するか否かの予測を、前記妊娠高血圧症候群の発症率の異なる複数の状態の中から前記妊婦が妊娠中に取り得る前記状態を予測することで支援する、妊娠高血圧症候群の発症予測支援システム（例えば、図３の発症予測支援システム１）であって、
学習用妊婦ごとの学習用の妊娠中の健診データと前記妊娠高血圧症候群の発症の有無とに基づいて、複数の前記状態（例えば、状態１から状態１４）間の遷移を予測するように学習された判別器を記憶する記憶部（例えば、図３の記憶部２）と、
予測の対象である前記妊婦の妊娠中の受診済の健診データ（例えば、拡張期血圧、収縮期血圧、尿蛋白）を取得する取得部（例えば、図３の健診データ取得部３）と、
前記妊婦の前記受診済の前記健診データと、前記判別器と、に基づいて、複数の前記状態の中から前記妊婦が妊娠期間の残期間内に取り得る前記状態を判別する判別部（例えば、図３の状態判別部４）と、
前記妊婦の前記残期間内の前記状態に基づいて、前記妊婦の前記残期間内の予測される健診データを算出する算出部（例えば、図３の出力変数算出部５）と、
を有してなり、
前記判別器は、前記状態を隠れ状態とし、前記状態ごとの前記健診データを前記状態の出力変数とする隠れマルコフモデルを用いて学習される、
ことを特徴とする。
本システムは、
妊婦が妊娠高血圧症候群を発症するか否かの予測を、前記妊娠高血圧症候群の発症率の異なる複数の状態の中から前記妊婦が妊娠中に取り得る前記状態を予測することで支援する、妊娠高血圧症候群の発症予測支援システム（例えば、図３の発症予測支援システム１）であって、
学習用妊婦ごとの学習用の妊娠中の健診データと前記妊娠高血圧症候群の発症の有無とに基づいて、複数の前記状態（例えば、状態１から状態１４）間の遷移を予測するように学習された判別器を記憶する記憶部（例えば、図３の記憶部２）と、
予測の対象である前記妊婦の妊娠中の受診済の健診データ（例えば、拡張期血圧、収縮期血圧、尿蛋白）を取得する取得部（例えば、図３の健診データ取得部３）と、
前記妊婦の前記受診済の前記健診データと、前記判別器と、に基づいて、複数の前記状態の中から前記妊婦が妊娠期間の残期間内に取り得る前記状態を判別する判別部（例えば、図３の状態判別部４）と、
前記妊婦の前記残期間内の前記状態に基づいて、前記妊婦の前記残期間内の予測される健診データを算出する算出部（例えば、図３の出力変数算出部５）と、
を有してなり、
前記判別器は、前記状態を隠れ状態とし、前記状態ごとの前記健診データを前記状態の出力変数とする隠れマルコフモデルを用いて学習される、
ことを特徴とする。
【0070】
本システムにおいて、
前記判別器は、前記学習用妊婦の前記健診データを用いて学習された前記判別器の複数の候補の中から選択されていて、
複数の前記候補それぞれのハイパーパラメータとしての前記状態の数は、異なる、
ものでもよい。
前記判別器は、前記学習用妊婦の前記健診データを用いて学習された前記判別器の複数の候補の中から選択されていて、
複数の前記候補それぞれのハイパーパラメータとしての前記状態の数は、異なる、
ものでもよい。
【0071】
本システムにおいて、
前記記憶部は、
複数の前記状態間の状態遷移確率、
を記憶し、
前記判別部は、
前記妊婦の前記受診済の前記健診データに基づいて、前記妊婦の現在の前記状態を判別し、
前記妊婦の現在の前記状態と、前記状態遷移確率と、に基づいて、前記妊婦が前記残期間内に取り得る前記状態を判別する、
ものでもよい。
前記記憶部は、
複数の前記状態間の状態遷移確率、
を記憶し、
前記判別部は、
前記妊婦の前記受診済の前記健診データに基づいて、前記妊婦の現在の前記状態を判別し、
前記妊婦の現在の前記状態と、前記状態遷移確率と、に基づいて、前記妊婦が前記残期間内に取り得る前記状態を判別する、
ものでもよい。
【0072】
本システムにおいて、
前記判別器は、前記学習用妊婦の妊娠週数ごとに受診して得られた前記学習用の前記健診データを用いて学習され、
前記判別部は、前記妊婦の前記残期間内の妊娠週数ごとの前記状態を判別する、
ものでもよい。
前記判別器は、前記学習用妊婦の妊娠週数ごとに受診して得られた前記学習用の前記健診データを用いて学習され、
前記判別部は、前記妊婦の前記残期間内の妊娠週数ごとの前記状態を判別する、
ものでもよい。
【0073】
本システムにおいて、
前記記憶部は、
複数の前記状態ごとの前記健診データの出力確率、
を記憶し、
前記算出部は、前記妊婦が前記残期間内に取り得る前記状態と、前記出力確率と、に基づいて、前記予測される前記健診データを算出する、
ものでもよい。
前記記憶部は、
複数の前記状態ごとの前記健診データの出力確率、
を記憶し、
前記算出部は、前記妊婦が前記残期間内に取り得る前記状態と、前記出力確率と、に基づいて、前記予測される前記健診データを算出する、
ものでもよい。
【0074】
本システムにおいて、
前記算出部は、前記妊婦の前記残期間内の妊娠週数ごとの前記予測される前記健診データを算出する、
ものでもよい。
前記算出部は、前記妊婦の前記残期間内の妊娠週数ごとの前記予測される前記健診データを算出する、
ものでもよい。
【0075】
本システムにおいて、
前記取得部は、前記妊婦の妊娠週数ごとの前記受診済の前記健診データを取得する、
ものでもよい。
前記取得部は、前記妊婦の妊娠週数ごとの前記受診済の前記健診データを取得する、
ものでもよい。
【0076】
本システムにおいて、
前記健診データは、少なくとも、収縮期血圧と、拡張期血圧と、尿蛋白とのいずれか１つを含む、
ものでもよい。
前記健診データは、少なくとも、収縮期血圧と、拡張期血圧と、尿蛋白とのいずれか１つを含む、
ものでもよい。
【0077】
●本プログラムの特徴
本プログラムは、コンピュータを、本システムとして機能させる、
ことを特徴とする。
本プログラムは、コンピュータを、本システムとして機能させる、
ことを特徴とする。
【0078】
●本方法の特徴
本方法は、
妊婦が妊娠高血圧症候群を発症するか否かの予測を、前記妊娠高血圧症候群の発症率の異なる複数の状態（例えば、状態１から状態１４）の中から前記妊婦が妊娠中に取り得る前記状態を予測することで支援する発症予測支援システムにより実行される妊娠高血圧症候群の発症予測支援方法であって、
前記発症予測支援システム（例えば、図３の発症予測支援システム１）は、
学習用妊婦ごとの学習用の妊娠中の健診データと前記妊娠高血圧症候群の発症の有無とに基づいて、複数の前記状態間の遷移を予測するように学習された判別器を記憶する記憶部（例えば、図３の記憶部２）、
を備え、
前記発症予測支援システムが、
予測の対象である前記妊婦が妊娠中に受診した健診で得られた受診済の健診データを取得する取得ステップと、
前記妊婦の前記受診済の前記健診データと、前記判別器と、に基づいて、複数の前記状態の中から前記妊婦が妊娠期間の残期間内に取り得る前記状態を判別する判別ステップと、
前記妊婦の前記残期間内の前記状態に基づいて、前記妊婦の前記残期間内の予測される健診データを算出する算出ステップと、
を有してなり、
前記判別器は、前記状態を隠れ状態とし、前記状態ごとの前記健診データを前記状態の出力変数とする隠れマルコフモデルを用いて学習される、
ことを特徴とする。
本方法は、
妊婦が妊娠高血圧症候群を発症するか否かの予測を、前記妊娠高血圧症候群の発症率の異なる複数の状態（例えば、状態１から状態１４）の中から前記妊婦が妊娠中に取り得る前記状態を予測することで支援する発症予測支援システムにより実行される妊娠高血圧症候群の発症予測支援方法であって、
前記発症予測支援システム（例えば、図３の発症予測支援システム１）は、
学習用妊婦ごとの学習用の妊娠中の健診データと前記妊娠高血圧症候群の発症の有無とに基づいて、複数の前記状態間の遷移を予測するように学習された判別器を記憶する記憶部（例えば、図３の記憶部２）、
を備え、
前記発症予測支援システムが、
予測の対象である前記妊婦が妊娠中に受診した健診で得られた受診済の健診データを取得する取得ステップと、
前記妊婦の前記受診済の前記健診データと、前記判別器と、に基づいて、複数の前記状態の中から前記妊婦が妊娠期間の残期間内に取り得る前記状態を判別する判別ステップと、
前記妊婦の前記残期間内の前記状態に基づいて、前記妊婦の前記残期間内の予測される健診データを算出する算出ステップと、
を有してなり、
前記判別器は、前記状態を隠れ状態とし、前記状態ごとの前記健診データを前記状態の出力変数とする隠れマルコフモデルを用いて学習される、
ことを特徴とする。
【符号の説明】
【0079】
１ 発症予測支援システム
２ 記憶部
３ 健診データ取得部
４ 状態判別部
５ 出力変数算出部
６ 出力部
２ 記憶部
３ 健診データ取得部
４ 状態判別部
５ 出力変数算出部
６ 出力部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
