ホーム > 特許ランキング > 有限会社総合医学研究所
(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】P2023086414
(43)【公開日】2023-06-22
(54)【発明の名称】嫌気性代謝閾値予測システム及び嫌気性代謝閾値予測方法
(51)【国際特許分類】
A61B 5/083 20060101AFI20230615BHJP
A61B 5/1455 20060101ALI20230615BHJP
A61B 5/0245 20060101ALI20230615BHJP
A61B 5/022 20060101ALI20230615BHJP
A61B 10/00 20060101ALI20230615BHJP
G06N 20/00 20190101ALI20230615BHJP
G16H 50/30 20180101ALI20230615BHJP
【ＦＩ】
A61B5/083
A61B5/1455
A61B5/0245 200
A61B5/022 400A
A61B10/00 F
G06N20/00 130
G16H50/30
【審査請求】未請求
【請求項の数】11
【出願形態】ＯＬ
(21)【出願番号】P 2021200919
(22)【出願日】2021-12-10
(71)【出願人】
【識別番号】516365208
【氏名又は名称】有限会社総合医学研究所
(74)【代理人】
【識別番号】110003339
【氏名又は名称】弁理士法人南青山国際特許事務所
(72)【発明者】
【氏名】伊東 秀崇
(72)【発明者】
【氏名】伊東 春樹
【テーマコード（参考）】
4C017
4C038
5L099
【Ｆターム（参考）】
4C017AA08
4C017AA10
4C017AA12
4C017AA14
4C017BC11
4C017BD01
4C017BD04
4C017CC02
4C017EE15
4C017FF05
4C038SS08
4C038SU18
4C038SU19
5L099AA22
(57)【要約】
【課題】主観性を排除し、簡便かつ精度高くＡＴを予測する。
【解決手段】嫌気性代謝閾値予測システムは、心肺運動負荷試験により得られた教師データの群を第１の学習モデルに入力し、第１の学習モデルを実行することにより、ＡＴを予測するための他の経時的データ及び非経時的データに関する少なくとも１個の第６のクライテリアを決定し、少なくとも１個の第６のクライテリアは第１乃至第５のクライテリアと異なり、第１乃至第６のクライテリアに基づきＡＴを予測する第１のＡＴ予測モデルを生成する、第１のＡＴ予測モデル生成部と、教師データに含まれる各経時的データ及び非経時的データと同種の各経時的データ及び非経時的データを含む対象データを第１のＡＴ予測モデルに入力し、第１のＡＴ予測モデルを実行することにより、対象データの第１乃至第６のクライテリアに基づき、対象データのＡＴを予測する、第１のＡＴ予測部と、を具備する。
【選択図】図１
【解決手段】嫌気性代謝閾値予測システムは、心肺運動負荷試験により得られた教師データの群を第１の学習モデルに入力し、第１の学習モデルを実行することにより、ＡＴを予測するための他の経時的データ及び非経時的データに関する少なくとも１個の第６のクライテリアを決定し、少なくとも１個の第６のクライテリアは第１乃至第５のクライテリアと異なり、第１乃至第６のクライテリアに基づきＡＴを予測する第１のＡＴ予測モデルを生成する、第１のＡＴ予測モデル生成部と、教師データに含まれる各経時的データ及び非経時的データと同種の各経時的データ及び非経時的データを含む対象データを第１のＡＴ予測モデルに入力し、第１のＡＴ予測モデルを実行することにより、対象データの第１乃至第６のクライテリアに基づき、対象データのＡＴを予測する、第１のＡＴ予測部と、を具備する。
【選択図】図１
【特許請求の範囲】
【請求項1】
ＶＯ２（分時酸素摂取量）の経時的データと、
ＶＣＯ２（分時二酸化炭素排出量）の経時的データと、
Ｒ（ガス交換比：ＶＣＯ２／ＶＯ２）の経時的データと、
ＶＥ（分時換気量）の経時的データと、
ＶＥ／ＶＯ２の経時的データと、
ＶＥ／ＶＣＯ２の経時的データと、
Ｆ（Ｐ）ＥＴＣＯ２（呼気終末二酸化炭素分画濃度（分圧））の経時的データと、
Ｆ（Ｐ）ＥＴＯ２（呼気終末酸素分画濃度（分圧））の経時的データと、
各前記経時的データと異なる他の経時的データ及び非経時的データと、
Ｒの増加率がＶＯ２の増加率より高くなる点である第１のクライテリアと、
ＶＣＯ２の増加率がＶＯ２の増加率より高くなる点である第２のクライテリアと、
ＶＥ／ＶＣＯ２が増加せずにＶＥ／ＶＯ２が増加する点である第３のクライテリアと、
Ｆ（Ｐ）ＥＴＣＯ２が変化せずにＦ（Ｐ）ＥＴＯ２が増加する点である第４のクライテリアと、
ＶＥの増加率がＶＯ２の増加率より高くなる点である第５のクライテリアと
に基づき決定されたＡＴ（嫌気性代謝閾値）と、
を含む、心肺運動負荷試験により得られた教師データの群を第１の学習モデルに入力し、前記第１の学習モデルを実行することにより、ＡＴを予測するための前記他の経時的データ及び前記非経時的データに関する少なくとも１個の第６のクライテリアを決定し、前記少なくとも１個の第６のクライテリアは前記第１乃至第５のクライテリアと異なり、前記第１乃至第６のクライテリアに基づきＡＴを予測する第１のＡＴ予測モデルを生成する、第１のＡＴ予測モデル生成部と、
前記教師データに含まれる各前記経時的データ及び前記非経時的データと同種の各経時的データ及び非経時的データを含む対象データを前記第１のＡＴ予測モデルに入力し、前記第１のＡＴ予測モデルを実行することにより、前記対象データの前記第１乃至第６のクライテリアに基づき、前記対象データのＡＴを予測する、第１のＡＴ予測部と、
を具備する嫌気性代謝閾値予測システム。
ＶＣＯ２（分時二酸化炭素排出量）の経時的データと、
Ｒ（ガス交換比：ＶＣＯ２／ＶＯ２）の経時的データと、
ＶＥ（分時換気量）の経時的データと、
ＶＥ／ＶＯ２の経時的データと、
ＶＥ／ＶＣＯ２の経時的データと、
Ｆ（Ｐ）ＥＴＣＯ２（呼気終末二酸化炭素分画濃度（分圧））の経時的データと、
Ｆ（Ｐ）ＥＴＯ２（呼気終末酸素分画濃度（分圧））の経時的データと、
各前記経時的データと異なる他の経時的データ及び非経時的データと、
Ｒの増加率がＶＯ２の増加率より高くなる点である第１のクライテリアと、
ＶＣＯ２の増加率がＶＯ２の増加率より高くなる点である第２のクライテリアと、
ＶＥ／ＶＣＯ２が増加せずにＶＥ／ＶＯ２が増加する点である第３のクライテリアと、
Ｆ（Ｐ）ＥＴＣＯ２が変化せずにＦ（Ｐ）ＥＴＯ２が増加する点である第４のクライテリアと、
ＶＥの増加率がＶＯ２の増加率より高くなる点である第５のクライテリアと
に基づき決定されたＡＴ（嫌気性代謝閾値）と、
を含む、心肺運動負荷試験により得られた教師データの群を第１の学習モデルに入力し、前記第１の学習モデルを実行することにより、ＡＴを予測するための前記他の経時的データ及び前記非経時的データに関する少なくとも１個の第６のクライテリアを決定し、前記少なくとも１個の第６のクライテリアは前記第１乃至第５のクライテリアと異なり、前記第１乃至第６のクライテリアに基づきＡＴを予測する第１のＡＴ予測モデルを生成する、第１のＡＴ予測モデル生成部と、
前記教師データに含まれる各前記経時的データ及び前記非経時的データと同種の各経時的データ及び非経時的データを含む対象データを前記第１のＡＴ予測モデルに入力し、前記第１のＡＴ予測モデルを実行することにより、前記対象データの前記第１乃至第６のクライテリアに基づき、前記対象データのＡＴを予測する、第１のＡＴ予測部と、
を具備する嫌気性代謝閾値予測システム。
【請求項2】
請求項１に記載の嫌気性代謝閾値予測システムであって、
前記教師データの群を前記第１の学習モデルと異なる第２の学習モデルに入力し、前記第２の学習モデルを実行することにより、ＡＴを予測するための前記他の経時的データ及び前記非経時的データに関する少なくとも１個の第７のクライテリアを決定し、前記少なくとも１個の第７のクライテリアは前記第１乃至第５のクライテリアと異なり、前記第１乃至第５及び第７のクライテリアに基づきＡＴを予測する前記第１のＡＴ予測モデルと異なる第２のＡＴ予測モデルを生成する、第２のＡＴ予測モデル生成部と、
前記対象データを前記第２のＡＴ予測モデルに入力し、前記第２のＡＴ予測モデルを実行することにより、前記対象データの前記第１乃至第５及び第７のクライテリアに基づき、前記対象データのＡＴを予測する、第２のＡＴ予測部と、
をさらに具備する嫌気性代謝閾値予測システム。
前記教師データの群を前記第１の学習モデルと異なる第２の学習モデルに入力し、前記第２の学習モデルを実行することにより、ＡＴを予測するための前記他の経時的データ及び前記非経時的データに関する少なくとも１個の第７のクライテリアを決定し、前記少なくとも１個の第７のクライテリアは前記第１乃至第５のクライテリアと異なり、前記第１乃至第５及び第７のクライテリアに基づきＡＴを予測する前記第１のＡＴ予測モデルと異なる第２のＡＴ予測モデルを生成する、第２のＡＴ予測モデル生成部と、
前記対象データを前記第２のＡＴ予測モデルに入力し、前記第２のＡＴ予測モデルを実行することにより、前記対象データの前記第１乃至第５及び第７のクライテリアに基づき、前記対象データのＡＴを予測する、第２のＡＴ予測部と、
をさらに具備する嫌気性代謝閾値予測システム。
【請求項3】
請求項２に記載の嫌気性代謝閾値予測システムであって、
共通の前記対象データから前記第１のＡＴ予測部が予測した前記ＡＴ及び前記第２のＡＴ予測部が予測した前記ＡＴを比較して前記第１のＡＴ予測部又は前記第２のＡＴ予測部の何れが高精度かを判断し、高精度と判断した前記第１のＡＴ予測部又は前記第２のＡＴ予測部が予測した前記ＡＴを出力する、最適解出力ＡＩ予測部
をさらに具備する嫌気性代謝閾値予測システム。
共通の前記対象データから前記第１のＡＴ予測部が予測した前記ＡＴ及び前記第２のＡＴ予測部が予測した前記ＡＴを比較して前記第１のＡＴ予測部又は前記第２のＡＴ予測部の何れが高精度かを判断し、高精度と判断した前記第１のＡＴ予測部又は前記第２のＡＴ予測部が予測した前記ＡＴを出力する、最適解出力ＡＩ予測部
をさらに具備する嫌気性代謝閾値予測システム。
【請求項4】
請求項２に記載の嫌気性代謝閾値予測システムであって、
共通の前記対象データから前記第１のＡＴ予測部が予測した前記ＡＴ及び前記第２のＡＴ予測部が予測した前記ＡＴの両方を出力する、最適解出力ＡＩ予測部
をさらに具備する嫌気性代謝閾値予測システム。
共通の前記対象データから前記第１のＡＴ予測部が予測した前記ＡＴ及び前記第２のＡＴ予測部が予測した前記ＡＴの両方を出力する、最適解出力ＡＩ予測部
をさらに具備する嫌気性代謝閾値予測システム。
【請求項5】
請求項２乃至４の何れか一項に記載の嫌気性代謝閾値予測システムであって、
前記第１の学習モデルと、前記第１の学習モデルと異なる前記第２の学習モデルは、それぞれ、各前記時系列データの数値又はグラフ画像を解析するロジスティック回帰モデル、Ｌａｓｓｏ回帰モデル、決定木モデル、ＸＧブーストモデル、深層学習モデルまたは今後利用可能な新しいモデルである
嫌気性代謝閾値予測システム。
前記第１の学習モデルと、前記第１の学習モデルと異なる前記第２の学習モデルは、それぞれ、各前記時系列データの数値又はグラフ画像を解析するロジスティック回帰モデル、Ｌａｓｓｏ回帰モデル、決定木モデル、ＸＧブーストモデル、深層学習モデルまたは今後利用可能な新しいモデルである
嫌気性代謝閾値予測システム。
【請求項6】
請求項１乃至５の何れか一項に記載の嫌気性代謝閾値予測システムであって、
予測された前記ＡＴに基づき運動処方箋を作成する運動処方作成部
をさらに具備する嫌気性代謝閾値予測システム。
予測された前記ＡＴに基づき運動処方箋を作成する運動処方作成部
をさらに具備する嫌気性代謝閾値予測システム。
【請求項7】
請求項１乃至６の何れか一項に記載の嫌気性代謝閾値予測システムであって、
前記他の経時的データはＴＶ（一回換気量）の経時的データであり、前記第６のクライテリアはＴＶの増加率が低くなる点であり、
前記他の経時的データはＲＲ（呼吸数）の経時的データであり、前記第６のクライテリアはＲＲの増加率が高くなる点であり、
前記他の経時的データはＨＲ（心拍数）の経時的データであり、前記第６のクライテリアはＨＲの増加率が高くなる点であり、
前記他の経時的データはＨＲの経時的データであり、前記第６のクライテリアは心拍変動の高い周波数成分が消失する点であり、
前記他の経時的データはＢＰｓ（収縮期血圧）の経時的データであり、前記第６のクライテリアはＢＰｓの増加率が高くなる点であり、
前記他の経時的データはＢＰｓとＨＲの積であるＤＰ（二重積）の経時的データであり、前記第６のクライテリアはＤＰの増加率が高くなる点であり、
前記心肺運動負荷試験はエルゴメータを使用し、前記他の経時的データは前記エルゴメータの回転数の経時的データであり、前記第６のクライテリアは回転数が一時的に増加する点であり、
前記第６のクライテリアは、ＶＥ／ＶＣＯ２の増加率が低くなる点であり、及び／又は
前記第６のクライテリアは、ＴＶ／ＲＲの増加率が低くなる点である
嫌気性代謝閾値予測システム。
前記他の経時的データはＴＶ（一回換気量）の経時的データであり、前記第６のクライテリアはＴＶの増加率が低くなる点であり、
前記他の経時的データはＲＲ（呼吸数）の経時的データであり、前記第６のクライテリアはＲＲの増加率が高くなる点であり、
前記他の経時的データはＨＲ（心拍数）の経時的データであり、前記第６のクライテリアはＨＲの増加率が高くなる点であり、
前記他の経時的データはＨＲの経時的データであり、前記第６のクライテリアは心拍変動の高い周波数成分が消失する点であり、
前記他の経時的データはＢＰｓ（収縮期血圧）の経時的データであり、前記第６のクライテリアはＢＰｓの増加率が高くなる点であり、
前記他の経時的データはＢＰｓとＨＲの積であるＤＰ（二重積）の経時的データであり、前記第６のクライテリアはＤＰの増加率が高くなる点であり、
前記心肺運動負荷試験はエルゴメータを使用し、前記他の経時的データは前記エルゴメータの回転数の経時的データであり、前記第６のクライテリアは回転数が一時的に増加する点であり、
前記第６のクライテリアは、ＶＥ／ＶＣＯ２の増加率が低くなる点であり、及び／又は
前記第６のクライテリアは、ＴＶ／ＲＲの増加率が低くなる点である
嫌気性代謝閾値予測システム。
【請求項8】
請求項２乃至５の何れか一項に記載の嫌気性代謝閾値予測システムであって、
前記他の経時的データはＴＶ（一回換気量）の経時的データであり、前記第７のクライテリアはＴＶの増加率が低くＴＶの増加率が低くなる点であり、
前記他の経時的データはＲＲ（呼吸数）の経時的データであり、前記第７のクライテリアはＲＲの増加率が高くなる点であり、
前記他の経時的データはＨＲ（心拍数）の経時的データであり、前記第７のクライテリアはＨＲの増加率が高くなる点であり、
前記他の経時的データはＨＲの経時的データであり、前記第７のクライテリアは心拍変動の高い周波数成分が消失する点であり、
前記他の経時的データはＢＰｓ（収縮期血圧）の経時的データであり、前記第７のクライテリアはＢＰｓの増加率が高くなる点であり、
前記他の経時的データはＢＰｓとＨＲの積であるＤＰ（二重積）の経時的データであり、前記第７のクライテリアはＤＰの増加率が高くなる点であり、
前記心肺運動負荷試験はエルゴメータを使用し、前記他の経時的データは前記エルゴメータの回転数の経時的データであり、前記第７のクライテリアは回転数が一時的に増加する点であり、
前記第７のクライテリアは、ＶＥ／ＶＣＯ２の増加率が低くなる点であり、及び／又は
前記第７のクライテリアは、ＴＶ／ＲＲの増加率が低くなる点である
嫌気性代謝閾値予測システム。
前記他の経時的データはＴＶ（一回換気量）の経時的データであり、前記第７のクライテリアはＴＶの増加率が低くＴＶの増加率が低くなる点であり、
前記他の経時的データはＲＲ（呼吸数）の経時的データであり、前記第７のクライテリアはＲＲの増加率が高くなる点であり、
前記他の経時的データはＨＲ（心拍数）の経時的データであり、前記第７のクライテリアはＨＲの増加率が高くなる点であり、
前記他の経時的データはＨＲの経時的データであり、前記第７のクライテリアは心拍変動の高い周波数成分が消失する点であり、
前記他の経時的データはＢＰｓ（収縮期血圧）の経時的データであり、前記第７のクライテリアはＢＰｓの増加率が高くなる点であり、
前記他の経時的データはＢＰｓとＨＲの積であるＤＰ（二重積）の経時的データであり、前記第７のクライテリアはＤＰの増加率が高くなる点であり、
前記心肺運動負荷試験はエルゴメータを使用し、前記他の経時的データは前記エルゴメータの回転数の経時的データであり、前記第７のクライテリアは回転数が一時的に増加する点であり、
前記第７のクライテリアは、ＶＥ／ＶＣＯ２の増加率が低くなる点であり、及び／又は
前記第７のクライテリアは、ＴＶ／ＲＲの増加率が低くなる点である
嫌気性代謝閾値予測システム。
【請求項9】
請求項６に記載の嫌気性代謝閾値予測システムであって、
前記運動処方作成部は、前記予測されたＡＴに基づき決定されたＡＴならびに運動中の心電図変化（特にＳＴ偏位）や不整脈の有無と種類、血圧、酸素飽和度などから、ＡＴを基準とした運動処方箋を作成する
嫌気性代謝閾値予測システム。
前記運動処方作成部は、前記予測されたＡＴに基づき決定されたＡＴならびに運動中の心電図変化（特にＳＴ偏位）や不整脈の有無と種類、血圧、酸素飽和度などから、ＡＴを基準とした運動処方箋を作成する
嫌気性代謝閾値予測システム。
【請求項10】
請求項２乃至５の何れか一項に記載の嫌気性代謝閾値予測システムであって、
前記教師データの群を前記第１の学習モデル及び前記第２の学習モデルと異なる第ｎの学習モデルに入力し、前記第ｎの学習モデルを実行することにより、ＡＴを予測するための前記他の経時的データ及び前記非経時的データに関する少なくとも１個の第ｎのクライテリアを決定し、前記少なくとも１個の第ｎのクライテリアは前記第１乃至第５のクライテリアと異なり、前記第１乃至第５及び第ｎのクライテリアに基づきＡＴを予測する前記第１のＡＴ予測モデル及び前記第２のＡＴ予測モデルと異なる第ｎのＡＴ予測モデルを生成する、第ｎのＡＴ予測モデル生成部と、
前記対象データを前記第ｎのＡＴ予測モデルに入力し、前記第ｎのＡＴ予測モデルを実行することにより、前記対象データの前記第１乃至第５及び第ｎのクライテリアに基づき、前記対象データのＡＴを予測する、第ｎのＡＴ予測部と、
をさらに具備し、
ｎは３以上の整数である
嫌気性代謝閾値予測システム。
前記教師データの群を前記第１の学習モデル及び前記第２の学習モデルと異なる第ｎの学習モデルに入力し、前記第ｎの学習モデルを実行することにより、ＡＴを予測するための前記他の経時的データ及び前記非経時的データに関する少なくとも１個の第ｎのクライテリアを決定し、前記少なくとも１個の第ｎのクライテリアは前記第１乃至第５のクライテリアと異なり、前記第１乃至第５及び第ｎのクライテリアに基づきＡＴを予測する前記第１のＡＴ予測モデル及び前記第２のＡＴ予測モデルと異なる第ｎのＡＴ予測モデルを生成する、第ｎのＡＴ予測モデル生成部と、
前記対象データを前記第ｎのＡＴ予測モデルに入力し、前記第ｎのＡＴ予測モデルを実行することにより、前記対象データの前記第１乃至第５及び第ｎのクライテリアに基づき、前記対象データのＡＴを予測する、第ｎのＡＴ予測部と、
をさらに具備し、
ｎは３以上の整数である
嫌気性代謝閾値予測システム。
【請求項11】
ＶＯ２（分時酸素摂取量）の経時的データと、
ＶＣＯ２（分時二酸化炭素排出量）の経時的データと、
Ｒ（ガス交換比：ＶＣＯ２／ＶＯ２）の経時的データと、
ＶＥ（分時換気量）の経時的データと、
ＶＥ／ＶＯ２の経時的データと、
ＶＥ／ＶＣＯ２の経時的データと、
Ｆ（Ｐ）ＥＴＣＯ２（呼気終末二酸化炭素分画濃度（分圧））の経時的データと、
Ｆ（Ｐ）ＥＴＯ２（呼気終末酸素分画濃度（分圧））の経時的データと、
各前記経時的データと異なる他の経時的データ及び非経時的データと、
Ｒの増加率がＶＯ２の増加率より高くなる点である第１のクライテリアと、
ＶＣＯ２の増加率がＶＯ２の増加率より高くなる点である第２のクライテリアと、
ＶＥ／ＶＣＯ２が増加せずにＶＥ／ＶＯ２が増加する点である第３のクライテリアと、
Ｆ（Ｐ）ＥＴＣＯ２が変化せずにＦ（Ｐ）ＥＴＯ２が増加する点である第４のクライテリアと、
ＶＥの増加率がＶＯ２の増加率より高くなる点である第５のクライテリアと
に基づき決定されたＡＴ（嫌気性代謝閾値）と、
を含む、心肺運動負荷試験により得られた教師データの群を第１の学習モデルに入力し、前記第１の学習モデルを実行することにより、ＡＴを予測するための前記他の経時的データ及び前記非経時的データに関する少なくとも１個の第６のクライテリアを決定し、前記少なくとも１個の第６のクライテリアは前記第１乃至第５のクライテリアと異なり、前記第１乃至第６のクライテリアに基づきＡＴを予測する第１のＡＴ予測モデルを生成し、
前記教師データに含まれる各前記経時的データ及び前記非経時的データと同種の各経時的データ及び非経時的データを含む対象データを前記第１のＡＴ予測モデルに入力し、前記第１のＡＴ予測モデルを実行することにより、前記対象データの前記第１乃至第６のクライテリアに基づき、前記対象データの第１のＡＴを予測する
嫌気性代謝閾値予測方法。
ＶＣＯ２（分時二酸化炭素排出量）の経時的データと、
Ｒ（ガス交換比：ＶＣＯ２／ＶＯ２）の経時的データと、
ＶＥ（分時換気量）の経時的データと、
ＶＥ／ＶＯ２の経時的データと、
ＶＥ／ＶＣＯ２の経時的データと、
Ｆ（Ｐ）ＥＴＣＯ２（呼気終末二酸化炭素分画濃度（分圧））の経時的データと、
Ｆ（Ｐ）ＥＴＯ２（呼気終末酸素分画濃度（分圧））の経時的データと、
各前記経時的データと異なる他の経時的データ及び非経時的データと、
Ｒの増加率がＶＯ２の増加率より高くなる点である第１のクライテリアと、
ＶＣＯ２の増加率がＶＯ２の増加率より高くなる点である第２のクライテリアと、
ＶＥ／ＶＣＯ２が増加せずにＶＥ／ＶＯ２が増加する点である第３のクライテリアと、
Ｆ（Ｐ）ＥＴＣＯ２が変化せずにＦ（Ｐ）ＥＴＯ２が増加する点である第４のクライテリアと、
ＶＥの増加率がＶＯ２の増加率より高くなる点である第５のクライテリアと
に基づき決定されたＡＴ（嫌気性代謝閾値）と、
を含む、心肺運動負荷試験により得られた教師データの群を第１の学習モデルに入力し、前記第１の学習モデルを実行することにより、ＡＴを予測するための前記他の経時的データ及び前記非経時的データに関する少なくとも１個の第６のクライテリアを決定し、前記少なくとも１個の第６のクライテリアは前記第１乃至第５のクライテリアと異なり、前記第１乃至第６のクライテリアに基づきＡＴを予測する第１のＡＴ予測モデルを生成し、
前記教師データに含まれる各前記経時的データ及び前記非経時的データと同種の各経時的データ及び非経時的データを含む対象データを前記第１のＡＴ予測モデルに入力し、前記第１のＡＴ予測モデルを実行することにより、前記対象データの前記第１乃至第６のクライテリアに基づき、前記対象データの第１のＡＴを予測する
嫌気性代謝閾値予測方法。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、心肺運動負荷試験における嫌気性代謝閾値（ＡＴ：Anaerobic Threshold）を予測するシステム及び方法に関する。
【背景技術】
【0002】
人類の死亡原因の第１位は心疾患であり、日本においても悪性新生物に続き第２位に位置する。さらに心血管疾患としては第３位の脳血管疾患と併せ、国民の生命を脅かす重要な疾患群である。しかし、ＷＨＯによれば適切な運動、食事と禁煙により心疾患と２型糖尿病の８割、がんの４割が予防できるとされ、生活習慣の改善は重篤な非感染性疾患予防のために必須の対策である。一方、狭心症や心筋梗塞などの虚血性心疾患、すべての心疾患の終末像である心不全に対する運動療法（特に、心臓リハビリテーション）は、強いエビデンスを有する治療法であり、平成３０年成立の循環器病対策基本法においても急性期から回復期、生活期への良質な心臓リハビリテーションの迅速かつ適切な提供が求められている。適切な運動療法・心臓リハビリテーションは、心筋梗塞では死亡率の２０％以上の減少、心不全では３０％程度の再入院を減らすとされる。
【0003】
良質かつ適切な心臓リハビリテーションを担保するためには、心疾患患者に対して心肺運動負荷試験を行い、安全で効果的な連動内容（運動の種類・強度・頻度など）を運動処方として発行し、通動処方に基づいて運動することが必要である。これにより、心疾患患者に対しての過度の連動による合併症を防ぎ、かつ治療として最大の効果を安全に得ることが可能となる。この運動処方を発行するうえで最も重要になる指標が、運動負荷試験で導かれる嫌気性代謝閾値（ＡＴ：Anaerobic Threshold）である。ＡＴは、臨床上も強い予後予測として、最大酸素摂取量（Ｐｅａｋ ＶＯ２）とともに、重症度評価、治療効果判定などに用いられる。
【0004】
運動時に、徐々に運動の強さ（運動強度）を増していくと、運動に必要なエネルギー（ATP：アデノシン三リン酸）が増加する。ＡＴＰを産生するエネルギー代謝を行うためには、通常酸素を使った有気的代謝が行われるが、有気的代謝では不十分になると、酸素を使わない無気的代謝が有気的代謝を補う。この無気的代謝が加わる直前の運動の強さがＡＴである。ＡＴ以下の運動は有酸素運動であり、ＡＴを超えて無酸素運動が加わると、乳酸の蓄積や血液の酸性化（アシドージス）、それらに起因する換気や肺でのガス交換の変化がおこる。要するに、ＡＴは、有気的代謝に無気的代謝が加わり、それに関連したガス交換の変化が生じる直前の運動強度又は酸素摂取量で、外呼吸（換気・ガス交換）、循環、内呼吸（代謝）の総合的な運動能指標であり、酸素輸送能と酸素利用能に規定されているため、運動療法における運動強度決定のための重要な指標である。
【0005】
ＡＴ以下では、酸素を使って効率良くエネルギーを作り（有気的代謝）、乳酸がたまらず長時間の運動が可能である。一方、ＡＴを超えると、酸素を使わずにエネルギーを作り（無気的代謝）、乳酸が溜まり疲労し、運動を長時間継続出来ない。言い換えれば、ＡＴは、持久力の指標であり、日常活動レベルの指標である。さらには、ＡＴは、健常者や各種疾患患者の生命予後を表す指標、具体的には、重症度の評価の指標、手術の可否を決める指標、各種の治療の効果判定指標にもなる。
【先行技術文献】
【特許文献】
【0006】
【特許文献1】特開２０１０－０４６４７７号公報
【発明の概要】
【発明が解決しようとする課題】
【0007】
実際の運動負荷試験では、複数のクライテリアを参考に、検査を担当する技師や医師が主観的な判断によってＡＴを決定する。ＡＴを主観的に決定するには、運動生理学的知識、運動心臓病学的知識、呼吸機能や心機能の知識、運動負荷試験の経験などが必要である。熟練者と非熟練者の間で、解析結果が異なる等、解析者の主観によってＡＴが大きく変動するおそれがある。また、生体データ自体に揺らぎがあることからも、正確なＡＴが判断できない場合がある。
【0008】
ＡＴを正確に判断することの難しさから、ＡＴに基づく運動処方を出し、この運動処方に則った心臓リハビリテーションを行う医療施設は少数である。一方、将来的に、心不全パンデミック（心不全患者の大幅な増加）の発生が予想されるとするように、今後の循環器疾患の予防や治療において、心臓リハビリテーションの重要性はますます高まる。
【0009】
特許文献１によれば、所望の呼吸代謝データの解析結果（ＡＴ）を得るのに必要な操作を適切な順番に表示し、個々の操作の意味又は具体的な操作方法を記載した操作説明を表示し、検者はそれを見て操作を順番に実行すると、所望の呼吸代謝データの解析結果（ＡＴ）を得る（要約書）。具体的には、検者は、実行ボタン６を押し、ＡＴポイントと思われる点を画面３で判断し、その前後のＶ－Ｓｌｏｐｅ曲線を見て、解析区間を設定する（００３４段落）。実行ボタン６を押すと、設定された解析区間で、画面３のＶ－Ｓｌｏｐｅ曲線（ＶＣＯ２とＶＯ２のグラフ）に、２本の回帰直線が自動的に作成される（特許文献１の００３６段落及び図３）。ここでＶ－Ｓｌｏｐｅ曲線と２本の回帰直線をみて、検者は２本の回帰直線の交点近傍で、妥当と判断する点をＡＴポイントと判断し、そこにカーソルを合わせてＡＴポイント設定する（特許文献１の００３７段落）。
【0010】
特許文献１では、必要な操作を適切な順番に表示して操作説明を表示することで、ＡＴポイントを判断するに至るまでの適切な道筋を検者に提示することが出来ると考えられるが、最終的にＡＴの判断は、個々の検者の主観的な目視判断に拠る。このため、検者によりＡＴが変動するおそれがあり、結果的に、ＡＴに基づく適切な運動処方を出すことができないおそれがある。
【0011】
以上のような事情に鑑み、本開示の目的は、主観性を排除し、簡便かつ精度高くＡＴを予測することにある。
【課題を解決するための手段】
【0012】
本開示の一形態に係る嫌気性代謝閾値予測システムは、呼気ガス分析器が直接測定している一次指標すなわちTV(一回換気量)、RR（呼吸数）、呼気酸素濃度(FEO2)、呼気二酸化炭素濃度(FECO2)、及び同時に測定している心電図波形（ST偏位など）、HR(心拍数)、BP（血圧）、動脈血酸素飽和度(SPO2)、及びそれらから算出される下記の2次指標、すなわち、
ＶＯ２（分時酸素摂取量）の経時的データと、
ＶＣＯ２（分時二酸化炭素排出量）の経時的データと、
Ｒ（ガス交換比：ＶＣＯ２／ＶＯ２）の経時的データと、
ＶＥ（分時換気量）の経時的データと、
ＶＥ／ＶＯ２の経時的データと、
ＶＥ／ＶＣＯ２の経時的データと、
Ｆ（Ｐ）ＥＴＣＯ２（呼気終末二酸化炭素分画濃度（分圧））の経時的データと、
Ｆ（Ｐ）ＥＴＯ２（呼気終末酸素分画濃度（分圧））の経時的データと、
各前記経時的データと異なる他の経時的データ及び非経時的データと、
Ｒの増加率がＶＯ２の増加率より高くなる点である第１のクライテリアと、
ＶＣＯ２の増加率がＶＯ２の増加率より高くなる点である第２のクライテリアと、
ＶＥ／ＶＣＯ２が増加せずにＶＥ／ＶＯ２が増加する点である第３のクライテリアと、
Ｆ（Ｐ）ＥＴＣＯ２が変化せずにＦ（Ｐ）ＥＴＯ２が増加する点である第４のクライテリアと、
ＶＥの増加率がＶＯ２の増加率より高くなる点である第５のクライテリアと
に基づき決定されたＡＴ（嫌気性代謝閾値）と、
を含む、心肺運動負荷試験により得られた教師データの群を第１の学習モデルに入力し、前記第１の学習モデルを実行することにより、ＡＴを予測するための前記他の経時的データ及び前記非経時的データに関する少なくとも１個の第６のクライテリアを決定し、前記少なくとも１個の第６のクライテリアは前記第１乃至第５のクライテリアと異なり、前記第１乃至第６のクライテリアに基づきＡＴを予測する第１のＡＴ予測モデルを生成する、第１のＡＴ予測モデル生成部と、
前記教師データに含まれる各前記経時的データ及び前記非経時的データと同種の各経時的データ及び非経時的データを含む対象データを前記第１のＡＴ予測モデルに入力し、前記第１のＡＴ予測モデルを実行することにより、前記対象データの前記第１乃至第６のクライテリアに基づき、前記対象データのＡＴを予測する、第１のＡＴ予測部と、
を具備する。
ＶＯ２（分時酸素摂取量）の経時的データと、
ＶＣＯ２（分時二酸化炭素排出量）の経時的データと、
Ｒ（ガス交換比：ＶＣＯ２／ＶＯ２）の経時的データと、
ＶＥ（分時換気量）の経時的データと、
ＶＥ／ＶＯ２の経時的データと、
ＶＥ／ＶＣＯ２の経時的データと、
Ｆ（Ｐ）ＥＴＣＯ２（呼気終末二酸化炭素分画濃度（分圧））の経時的データと、
Ｆ（Ｐ）ＥＴＯ２（呼気終末酸素分画濃度（分圧））の経時的データと、
各前記経時的データと異なる他の経時的データ及び非経時的データと、
Ｒの増加率がＶＯ２の増加率より高くなる点である第１のクライテリアと、
ＶＣＯ２の増加率がＶＯ２の増加率より高くなる点である第２のクライテリアと、
ＶＥ／ＶＣＯ２が増加せずにＶＥ／ＶＯ２が増加する点である第３のクライテリアと、
Ｆ（Ｐ）ＥＴＣＯ２が変化せずにＦ（Ｐ）ＥＴＯ２が増加する点である第４のクライテリアと、
ＶＥの増加率がＶＯ２の増加率より高くなる点である第５のクライテリアと
に基づき決定されたＡＴ（嫌気性代謝閾値）と、
を含む、心肺運動負荷試験により得られた教師データの群を第１の学習モデルに入力し、前記第１の学習モデルを実行することにより、ＡＴを予測するための前記他の経時的データ及び前記非経時的データに関する少なくとも１個の第６のクライテリアを決定し、前記少なくとも１個の第６のクライテリアは前記第１乃至第５のクライテリアと異なり、前記第１乃至第６のクライテリアに基づきＡＴを予測する第１のＡＴ予測モデルを生成する、第１のＡＴ予測モデル生成部と、
前記教師データに含まれる各前記経時的データ及び前記非経時的データと同種の各経時的データ及び非経時的データを含む対象データを前記第１のＡＴ予測モデルに入力し、前記第１のＡＴ予測モデルを実行することにより、前記対象データの前記第１乃至第６のクライテリアに基づき、前記対象データのＡＴを予測する、第１のＡＴ予測部と、
を具備する。
【0013】
本実施形態によれば、第１のＡＴ予測モデルが、検者がＡＴを主観的な判断に基づき決定するのに典型的に用いられる第１乃至第５のクライテリアと異なる新指標（即ち、人間が知り得なかった新指標）である第６のクライテリアを加えて、対象データのＡＴを予測することにより、主観性や経験の有無を排除し、簡便かつ精度高くＡＴを予測することができる。
【0014】
前記教師データの群を前記第１の学習モデルと異なる第２の学習モデルに入力し、前記第２の学習モデルを実行することにより、ＡＴを予測するための前記他の経時的データ及び前記非経時的データに関する少なくとも１個の第７のクライテリアを決定し、前記少なくとも１個の第７のクライテリアは前記第１乃至第５のクライテリアと異なり、前記第１乃至第５及び第７のクライテリアに基づきＡＴを予測する前記第１のＡＴ予測モデルと異なる第２のＡＴ予測モデルを生成する、第２のＡＴ予測モデル生成部と、
前記対象データを前記第２のＡＴ予測モデルに入力し、前記第２のＡＴ予測モデルを実行することにより、前記対象データの前記第１乃至第５及び第７のクライテリアに基づき、前記対象データのＡＴを予測する、第２のＡＴ予測部と、
をさらに具備してもよい。
前記対象データを前記第２のＡＴ予測モデルに入力し、前記第２のＡＴ予測モデルを実行することにより、前記対象データの前記第１乃至第５及び第７のクライテリアに基づき、前記対象データのＡＴを予測する、第２のＡＴ予測部と、
をさらに具備してもよい。
【0015】
本実施形態によれば、第１の学習モデルと異なる第２の学習モデルにより第７のクライテリアを決定し、第２のＡＴ予測モデルを生成することにより、第１のＡＴ予測モデルが予測するＡＴとは別の選択肢としてのＡＴを予測することができる。また、このＡＴも、第２のＡＴ予測モデルが、検者がＡＴを主観的な判断に基づき決定するのに典型的に用いられる第１乃至第５のクライテリアと異なる新指標（即ち、人間が知り得なかった新指標）である第７のクライテリアに基づき予測されるため、主観性や経験の有無を排除し、簡便かつ精度高くＡＴを予測することができる。
【0016】
共通の前記対象データから前記第１のＡＴ予測部が予測した前記ＡＴ及び前記第２のＡＴ予測部が予測した前記ＡＴを比較して前記第１のＡＴ予測部又は前記第２のＡＴ予測部の何れが高精度かを判断し、高精度と判断した前記第１のＡＴ予測部又は前記第２のＡＴ予測部が予測した前記ＡＴを出力する、最適解出力ＡＩ予測部
をさらに具備してもよい。
をさらに具備してもよい。
【0017】
本実施形態によれば、２個の選択肢である２種類のＡＴのうち、より高精度のＡＴを出力することができる。
【0018】
共通の前記対象データから前記第１のＡＴ予測部が予測した前記ＡＴ及び前記第２のＡＴ予測部が予測した前記ＡＴの両方を出力する、最適解出力ＡＩ予測部
をさらに具備してもよい。
をさらに具備してもよい。
【0019】
本実施形態によれば、２個の選択肢である２種類のＡＴの両方を検者に提供することができる。
【0020】
前記第１の学習モデルと、前記第１の学習モデルと異なる前記第２の学習モデルは、それぞれ、各前記時系列データの数値又はグラフ画像を解析するロジスティック回帰モデル、Ｌａｓｓｏ回帰モデル、決定木モデル、ＸＧブーストモデル、深層学習モデル、または今後利用可能となる新しいモデルでもよい。
【0021】
本実施形態によれば、タイプの異なる第１の学習モデルと第２の学習モデルとからそれぞれ第１のＡＴ予測モデルと第２のＡＴ予測モデルを作成するため、第１のＡＴ予測モデルと第２のＡＴ予測モデルも異なったものとなる。異なる第１のＡＴ予測モデルと第２のＡＴ予測モデルからそれぞれ２種類のＡＴを作成し、比較することが出来るため、２種類のＡＴそれぞれの信頼性を確認しやすい。例えば、２種類のＡＴが同じ又は極めて近似する値であれば、第１のＡＴ予測モデルと第２のＡＴ予測モデルの両方とも信頼性が高いと考えられる。一方、２種類のＡＴが近似しない値であれば、第１のＡＴ予測モデルと第２のＡＴ予測モデルのうち少なくともいずれか一方の信頼性が低いことがわかり、再度、教師データの群を準備して、信頼性が低い方の第１のＡＴ予測モデル又は第２のＡＴ予測モデルを作成し直すことが出来る。
【0022】
予測された前記ＡＴに基づき運動処方箋を作成する運動処方作成部
をさらに具備してもよい。
をさらに具備してもよい。
【0023】
本実施形態によれば、主観性を排除して簡便かつ精度高く予測したＡＴに基づき、主観性を排除して簡便かつ精度高く運動処方箋を作成することができる。
【0024】
前記他の経時的データはＴＶ（一回換気量）の経時的データであり、前記第６のクライテリアはＴＶの増加率が低くなる点であり、
前記他の経時的データはＲＲ（呼吸数）の経時的データであり、前記第６のクライテリアはＲＲの増加率が高くなる点であり、
前記他の経時的データはＨＲ（心拍数）の経時的データであり、前記第６のクライテリアはＨＲの増加率が高くなる点であり、
前記他の経時的データはＨＲの経時的データであり、前記第６のクライテリアは心拍変動の高い周波数成分が消失する点であり、
前記他の経時的データはＢＰｓ（収縮期血圧）の経時的データであり、前記第６のクライテリアはＢＰｓの増加率が高くなる点であり、
前記他の経時的データはＢＰｓとＨＲの積であるＤＰ（二重積）の経時的データであり、前記第６のクライテリアはＤＰの増加率が高くなる点であり、
前記心肺運動負荷試験はエルゴメータを使用し、前記他の経時的データは前記エルゴメータの回転数の経時的データであり、前記第６のクライテリアは回転数が一時的に増加する点であり、
前記第６のクライテリアは、ＶＥ／ＶＣＯ２の増加率が低くなる点であり、及び／又は
前記第６のクライテリアは、ＴＶ／ＲＲの増加率が低くなる点でもよい。
前記第６のクライテリアは、今後利用可能となる新しい学習モデルから導出されてもよい。
前記他の経時的データはＲＲ（呼吸数）の経時的データであり、前記第６のクライテリアはＲＲの増加率が高くなる点であり、
前記他の経時的データはＨＲ（心拍数）の経時的データであり、前記第６のクライテリアはＨＲの増加率が高くなる点であり、
前記他の経時的データはＨＲの経時的データであり、前記第６のクライテリアは心拍変動の高い周波数成分が消失する点であり、
前記他の経時的データはＢＰｓ（収縮期血圧）の経時的データであり、前記第６のクライテリアはＢＰｓの増加率が高くなる点であり、
前記他の経時的データはＢＰｓとＨＲの積であるＤＰ（二重積）の経時的データであり、前記第６のクライテリアはＤＰの増加率が高くなる点であり、
前記心肺運動負荷試験はエルゴメータを使用し、前記他の経時的データは前記エルゴメータの回転数の経時的データであり、前記第６のクライテリアは回転数が一時的に増加する点であり、
前記第６のクライテリアは、ＶＥ／ＶＣＯ２の増加率が低くなる点であり、及び／又は
前記第６のクライテリアは、ＴＶ／ＲＲの増加率が低くなる点でもよい。
前記第６のクライテリアは、今後利用可能となる新しい学習モデルから導出されてもよい。
【0025】
前記他の経時的データはＴＶ（一回換気量）の経時的データであり、前記第７のクライテリアはＴＶの増加率が低くなる点であり、
前記他の経時的データはＲＲ（呼吸数）の経時的データであり、前記第７のクライテリアはＲＲの増加率が高くなる点であり、
前記他の経時的データはＨＲ（心拍数）の経時的データであり、前記第７のクライテリアはＨＲの増加率が高くなる点であり、
前記他の経時的データはＨＲの経時的データであり、前記第７のクライテリアは心拍変動の高い周波数成分が消失する点であり、
前記他の経時的データはＢＰｓ（収縮期血圧）の経時的データであり、前記第７のクライテリアはＢＰｓの増加率が高くなる点であり、
前記他の経時的データはＢＰｓとＨＲの積であるＤＰ（二重積）の経時的データであり、前記第７のクライテリアはＤＰの増加率が高くなる点であり、
前記心肺運動負荷試験はエルゴメータを使用し、前記他の経時的データは前記エルゴメータの回転数の経時的データであり、前記第７のクライテリアは回転数が一時的に増加する点であり、
前記第７のクライテリアは、ＶＥ／ＶＣＯ２の増加率が低くなる点であり、及び／又は
前記第７のクライテリアは、ＴＶ／ＲＲの増加率が低くなる点でもよい。
前記第７のクライテリアは、今後利用可能となる新しい学習モデルから導出されてもよい。
前記他の経時的データはＲＲ（呼吸数）の経時的データであり、前記第７のクライテリアはＲＲの増加率が高くなる点であり、
前記他の経時的データはＨＲ（心拍数）の経時的データであり、前記第７のクライテリアはＨＲの増加率が高くなる点であり、
前記他の経時的データはＨＲの経時的データであり、前記第７のクライテリアは心拍変動の高い周波数成分が消失する点であり、
前記他の経時的データはＢＰｓ（収縮期血圧）の経時的データであり、前記第７のクライテリアはＢＰｓの増加率が高くなる点であり、
前記他の経時的データはＢＰｓとＨＲの積であるＤＰ（二重積）の経時的データであり、前記第７のクライテリアはＤＰの増加率が高くなる点であり、
前記心肺運動負荷試験はエルゴメータを使用し、前記他の経時的データは前記エルゴメータの回転数の経時的データであり、前記第７のクライテリアは回転数が一時的に増加する点であり、
前記第７のクライテリアは、ＶＥ／ＶＣＯ２の増加率が低くなる点であり、及び／又は
前記第７のクライテリアは、ＴＶ／ＲＲの増加率が低くなる点でもよい。
前記第７のクライテリアは、今後利用可能となる新しい学習モデルから導出されてもよい。
【0026】
嫌気性代謝閾値予測システムは、
前記教師データの群を前記第１の学習モデル及び前記第２の学習モデルと異なる第ｎの学習モデルに入力し、前記第ｎの学習モデルを実行することにより、ＡＴを予測するための前記他の経時的データ及び前記非経時的データに関する少なくとも１個の第ｎのクライテリアを決定し、前記少なくとも１個の第ｎのクライテリアは前記第１乃至第５のクライテリアと異なり、前記第１乃至第５及び第ｎのクライテリアに基づきＡＴを予測する前記第１のＡＴ予測モデル及び前記第２のＡＴ予測モデルと異なる第ｎのＡＴ予測モデルを生成する、第ｎのＡＴ予測モデル生成部と、
前記対象データを前記第ｎのＡＴ予測モデルに入力し、前記第ｎのＡＴ予測モデルを実行することにより、前記対象データの前記第１乃至第５及び第ｎのクライテリアに基づき、前記対象データのＡＴを予測する、第ｎのＡＴ予測部と、
をさらに具備し、
ｎは３以上の整数でもよい。
前記教師データの群を前記第１の学習モデル及び前記第２の学習モデルと異なる第ｎの学習モデルに入力し、前記第ｎの学習モデルを実行することにより、ＡＴを予測するための前記他の経時的データ及び前記非経時的データに関する少なくとも１個の第ｎのクライテリアを決定し、前記少なくとも１個の第ｎのクライテリアは前記第１乃至第５のクライテリアと異なり、前記第１乃至第５及び第ｎのクライテリアに基づきＡＴを予測する前記第１のＡＴ予測モデル及び前記第２のＡＴ予測モデルと異なる第ｎのＡＴ予測モデルを生成する、第ｎのＡＴ予測モデル生成部と、
前記対象データを前記第ｎのＡＴ予測モデルに入力し、前記第ｎのＡＴ予測モデルを実行することにより、前記対象データの前記第１乃至第５及び第ｎのクライテリアに基づき、前記対象データのＡＴを予測する、第ｎのＡＴ予測部と、
をさらに具備し、
ｎは３以上の整数でもよい。
【0027】
本開示の一形態に係る嫌気性代謝閾値予測方法は、
ＶＯ２（分時酸素摂取量）の経時的データと、
ＶＣＯ２（分時二酸化炭素排出量）の経時的データと、
Ｒ（ガス交換比：ＶＣＯ２／ＶＯ２）の経時的データと、
ＶＥ（分時換気量）の経時的データと、
ＶＥ／ＶＯ２の経時的データと、
ＶＥ／ＶＣＯ２の経時的データと、
Ｆ（Ｐ）ＥＴＣＯ２（呼気終末二酸化炭素分画濃度（分圧））の経時的データと、
Ｆ（Ｐ）ＥＴＯ２（呼気終末酸素分画濃度（分圧））の経時的データと、
各前記経時的データと異なる他の経時的データ及び非経時的データと、
Ｒの増加率がＶＯ２の増加率より高くなる点である第１のクライテリアと、
ＶＣＯ２の増加率がＶＯ２の増加率より高くなる点である第２のクライテリアと、
ＶＥ／ＶＣＯ２が増加せずにＶＥ／ＶＯ２が増加する点である第３のクライテリアと、
Ｆ（Ｐ）ＥＴＣＯ２が変化せずにＦ（Ｐ）ＥＴＯ２が増加する点である第４のクライテリアと、
ＶＥの増加率がＶＯ２の増加率より高くなる点である第５のクライテリアと
に基づき決定されたＡＴ（嫌気性代謝閾値）と、
を含む、心肺運動負荷試験により得られた教師データの群を第１の学習モデルに入力し、前記第１の学習モデルを実行することにより、ＡＴを予測するための前記他の経時的データ及び前記非経時的データに関する少なくとも１個の第６のクライテリアを決定し、前記少なくとも１個の第６のクライテリアは前記第１乃至第５のクライテリアと異なり、前記第１乃至第６のクライテリアに基づきＡＴを予測する第１のＡＴ予測モデルを生成し、
前記教師データに含まれる各前記経時的データ及び前記非経時的データと同種の各経時的データ及び非経時的データを含む対象データを前記第１のＡＴ予測モデルに入力し、前記第１のＡＴ予測モデルを実行することにより、前記対象データの前記第１乃至第６のクライテリアに基づき、前記対象データの第１のＡＴを予測する。
ＶＯ２（分時酸素摂取量）の経時的データと、
ＶＣＯ２（分時二酸化炭素排出量）の経時的データと、
Ｒ（ガス交換比：ＶＣＯ２／ＶＯ２）の経時的データと、
ＶＥ（分時換気量）の経時的データと、
ＶＥ／ＶＯ２の経時的データと、
ＶＥ／ＶＣＯ２の経時的データと、
Ｆ（Ｐ）ＥＴＣＯ２（呼気終末二酸化炭素分画濃度（分圧））の経時的データと、
Ｆ（Ｐ）ＥＴＯ２（呼気終末酸素分画濃度（分圧））の経時的データと、
各前記経時的データと異なる他の経時的データ及び非経時的データと、
Ｒの増加率がＶＯ２の増加率より高くなる点である第１のクライテリアと、
ＶＣＯ２の増加率がＶＯ２の増加率より高くなる点である第２のクライテリアと、
ＶＥ／ＶＣＯ２が増加せずにＶＥ／ＶＯ２が増加する点である第３のクライテリアと、
Ｆ（Ｐ）ＥＴＣＯ２が変化せずにＦ（Ｐ）ＥＴＯ２が増加する点である第４のクライテリアと、
ＶＥの増加率がＶＯ２の増加率より高くなる点である第５のクライテリアと
に基づき決定されたＡＴ（嫌気性代謝閾値）と、
を含む、心肺運動負荷試験により得られた教師データの群を第１の学習モデルに入力し、前記第１の学習モデルを実行することにより、ＡＴを予測するための前記他の経時的データ及び前記非経時的データに関する少なくとも１個の第６のクライテリアを決定し、前記少なくとも１個の第６のクライテリアは前記第１乃至第５のクライテリアと異なり、前記第１乃至第６のクライテリアに基づきＡＴを予測する第１のＡＴ予測モデルを生成し、
前記教師データに含まれる各前記経時的データ及び前記非経時的データと同種の各経時的データ及び非経時的データを含む対象データを前記第１のＡＴ予測モデルに入力し、前記第１のＡＴ予測モデルを実行することにより、前記対象データの前記第１乃至第６のクライテリアに基づき、前記対象データの第１のＡＴを予測する。
【発明の効果】
【0028】
本開示によれば、主観性を排除し、簡便かつ精度高くＡＴを予測することを図れる。
【0029】
なお、ここに記載された効果は必ずしも限定されるものではなく、本開示中に記載されたいずれかの効果であってもよい。
【図面の簡単な説明】
【0030】
【発明を実施するための形態】
【0031】
以下、図面を参照しながら、本開示の実施形態を説明する。
【0032】
１．嫌気性代謝閾値予測システムの構成
【0033】
図１は、本開示の一実施形態に係る嫌気性代謝閾値予測システムの構成を示す。
【0034】
嫌気性代謝閾値予測システム１００は、第１のＡＴ予測モデル生成部１１０、第２のＡＴ予測モデル生成部１２０、第１のＡＴ予測部１３０、第２のＡＴ予測部１４０、最適解出力ＡＩ予測部１７０、ＡＴ出力部１５０及び運動処方作成部１６０を有する。
【0035】
典型的には、第１のＡＴ予測部１３０、第２のＡＴ予測部１４０、最適解出力ＡＩ予測部１７０、ＡＴ出力部１５０及び運動処方作成部１６０は、同一の情報処理装置１０においてハードウェア資源及びソフトウェア資源が協働することにより実現される。第１のＡＴ予測モデル生成部１１０及び第２のＡＴ予測モデル生成部１２０は、情報処理装置１０とは異なる情報処理装置においてハードウェア資源及びソフトウェア資源が協働することにより実現され、情報処理装置１０とネットワークを介して通信可能でもよい。あるいは、第１のＡＴ予測モデル生成部１１０及び第２のＡＴ予測モデル生成部１２０は、情報処理装置１０により実現されてもよい。情報処理装置は、ＣＰＵがＲＯＭに記録された情報処理プログラムをＲＡＭにロードして実行する制御回路を有するコンピュータを意味する。
【0036】
第１のＡＴ予測モデル生成部１１０は、教師データ２００の群を第１の学習モデル１１１に入力し、第１の学習モデル１１１を実行することにより、第１のＡＴ予測モデル１３１を生成する。
【0037】
第２のＡＴ予測モデル生成部１２０は、教師データ２００の群を第２の学習モデル１２１に入力し、第２の学習モデル１２１を実行することにより、第２のＡＴ予測モデル１４１を生成する。
【0038】
第１の学習モデル１１１と、第２の学習モデル１２１とは、異なる。例えば、第１の学習モデル１１１と、第２の学習モデル１２１とは、それぞれ、各時系列データの数値又はグラフ画像を解析するロジスティック回帰モデル、Ｌａｓｓｏ回帰モデル、決定木モデル、ＸＧブーストモデル、深層学習モデル、又は今後利用可能となる新しいモデルでよい。例えば、第１の学習モデル１１１は機械学習モデルであり、第２の学習モデル１２１は深層学習モデルである。
【0039】
第１の学習モデル１１１は、例えば、ＸＧブーストによる各種データからの予測、ＸＧブーストによる時系列データからの予測、画像解析の機械学習又は深層学習による解析、時系列データ解析から機械学習又は深層学習による解析でよい。
【0040】
第２の学習モデル１２１は、深層学習、例えば、ニューラルネットワーク等のアルゴリズムを使用する。第２の学習モデル１２１は、例えば、画像（グラフ）を学習や表（数値の時系列データ）を学習するモデルでよい。
【0041】
第１のＡＴ予測部１３０は、対象データ３００を、第１のＡＴ予測モデル生成部１１０が生成した第１のＡＴ予測モデル１３１に入力し、第１のＡＴ予測モデル１３１を実行することにより、ＡＴ１３２を予測する。対象データ３００は、ＡＴ決定に供されるデータであり、呼気ガス分析器から出力される全ての呼気ガスデータと血圧、心拍数等を含む。
【0042】
第２のＡＴ予測部１４０は、対象データ３００を、第２のＡＴ予測モデル生成部１２０が生成した第２のＡＴ予測モデル１４１に入力し、第２のＡＴ予測モデル１４１を実行することにより、ＡＴ１４２を予測する。
【0043】
最適解出力ＡＩ予測部１７０は、何パターンか作成したＡＩモデルのうちもっともらしい最適解を出力するモデルを一つあるいは、複数個のプログラムを入れることで、第１のＡＴ予測部１３０が予測したＡＴ１３２及び第２のＡＴ予測部１４０が予測したＡＴ１４２のうち最適なＡＴ１４２を１個又は複数個推測する。最適解出力ＡＩ予測部１７０は、推測した１個又は複数個の最適なＡＴ１４２を、ＡＴ出力部１５０に出力する。
【0044】
ＡＴ出力部１５０は、最適解出力ＡＩ予測部１７０が推測した第１のＡＴ予測部１３０が予測したＡＴ１３２及び第２のＡＴ予測部１４０が予測した１個又は複数個のＡＴ１４２を出力（例えば、ディスプレイに表示）する。
【0045】
運動処方作成部１６０は、第１のＡＴ予測部１３０が予測したＡＴ１３２及び第２のＡＴ予測部１４０が予測したＡＴ１４２の両方又は一方、および運動中に測定された血圧、心拍数、二重積（収縮期血圧×心拍数）、不整脈の有無、心電図波形、酸素飽和度（対象データ３０１）に基づき、運動処方箋１６１を作成し、出力する。運動処方作成部１６０は、予測されたＡＴに基づき医師により決定されたＡＴならびに運動中の心電図変化（特にＳＴ偏位）や不整脈の有無と種類、血圧、酸素飽和度などから、ＡＴを基準とした運動処方箋１６１を作成してもよい。
【0046】
２．教師データ
【0047】
図２は、教師データの一例を示す。
【0048】
教師データ２００の群は、複数の教師データ２００を含む。以下、１個の教師データ２００を説明する。１個の教師データ２００は、１人の被験者の心肺運動負荷試験により得られたデータである。被験者は、呼吸測定用マスク、血圧計端子、心電計端子、酸素飽和度計による脈拍数等を装着し、エルゴメータ（サイクルエルゴメータ、トレッドミルエルゴメータ等）で運動を行う。呼気ガス分析器、自動血圧計及び負荷心電計を用いて、運動中に経時的に、被験者の呼気ガスを分析し、血圧、心電図、心拍数、不整脈、脈拍数等を測定する。
【0049】
サイクルエルゴメータを使用する心肺運動負荷試験の一例を説明する。安静（Ｒｅｓｔ）期において、被験者は、サイクルエルゴメータに座ったままペダルを漕がず、普段通りの呼吸を維持する。次に、ウォームアップ（Ｗ－ｕｐ）期において、被験者は、０－２０Ｗ程度の軽い負荷で、ペダルの回転数が５０－６０ｒｐｍの範囲でペダルを漕ぐ。ウォームアップ期で心電図や血圧に異常な兆候が見られなければ、Ｒａｍｐ負荷（直線的漸増負荷）期に入る。Ｒａｍｐ負荷期において、自動的に次第にペダルを重くし（仕事率を漸増し）、メトロノーム等を用いて回転数を被験者に指示するとともに、回転数をモニターする。Ｒａｍｐ負荷期において、被験者は、限界（Ｐｅａｋ）と感じるまでペダルを漕ぎ続ける。負荷終了後の回復（Ｒｅｃｏｖｅｒｙ）期において、被験者は、サイクルエルゴメータに座ったままペダルを漕がず、安静にする。負荷装置としてトレッドミルを使用した場合には、立位安静後、ウォームアップは時速２ｋｍから４ｋｍとし、仕事率増加の代わりにベルトの速度と傾斜を漸増する。検者（医師、臨床検査技師等。以下同じ）は、運動中に経時的に得られた、呼気ガスの分析値、血圧、心電図、心拍数等の経時的データを参照し、ＡＴを判断する。
【0050】
図２の（Ａ）はＴｉｍｅ Ｔｒｅｎｄ法でＡＴを決定するために用いるデータであり、図２の（Ｂ）はＶ ｓｌｏｐｅ法でＡＴを決定するために用いるデータである。Ｔｉｍｅ Ｔｒｅｎｄ法は、呼気ガスのクライテリアを時間軸で表し、複数のクライテリアの変曲点からＡＴを決定する方法である。Ｖ ｓｌｏｐｅ法は、ＶＣＯ２の増加率がＶＯ２の増加率より急峻に高くなる点からＡＴを決定する方法である。１個の教師データ２００は、両方のデータを含む。
【0051】
教師データ２００は、ＶＯ２（分時酸素摂取量）の経時的データ２０１と、ＶＣＯ２（分時二酸化炭素排出量）の経時的データ２０２と、Ｒ（ガス交換比：ＶＣＯ２／ＶＯ２）の経時的データ２０３と、ＶＥ（分時換気量）の経時的データ２０４と、ＶＥ／ＶＯ２の経時的データ２０５と、ＶＥ／ＶＣＯ２の経時的データ２０６と、Ｆ（Ｐ）ＥＴＣＯ２（呼気終末二酸化炭素分画濃度（分圧））の経時的データ２０７と、Ｆ（Ｐ）ＥＴＯ２（呼気終末酸素分画濃度（分圧））の経時的データ２０８とを含む。これらのデータは、呼気ガス分析器が直接測定している一次指標すなわちTV(一回換気量)、RR（呼吸数）、呼気酸素濃度(FEO2)、呼気二酸化炭素濃度(FECO2)、及び同時に測定している心電図波形（ST偏位など）、HR(心拍数)、BP（血圧）、動脈血酸素飽和度(SPO2)、及びそれらから算出される下記の2次指標である。
【0052】
なお、図２に示す様に、各経時的データ２０１乃至２０６の「Ｖ」の上には本来、「分時（／ｍｉｎ）」を意味するドット「・」が記載される。即ち、ドット「・」が記載された「Ｖ」は、一定時間内の量を意味する。ただし、本明細書ではドット「・」の記載を省略する。
【0053】
検者は、Ｒの増加率がＶＯ２の増加率より高くなる点である第１のクライテリア（図２（Ａ）参照）と、ＶＣＯ２の増加率がＶＯ２の増加率より高くなる点である第２のクライテリア（図２（Ｂ）参照）と、ＶＥ／ＶＣＯ２が増加せずにＶＥ／ＶＯ２が増加する点である第３のクライテリア（図２（Ａ）参照）と、Ｆ（Ｐ）ＥＴＣＯ２が変化せずにＦ（Ｐ）ＥＴＯ２が増加する点である第４のクライテリア（図２（Ａ）参照）と、ＶＥの増加率がＶＯ２の増加率より高くなる点である第５のクライテリア（図２（Ａ）参照）とに基づき、主観的な判断によりＡＴ２０９を決定する。教師データ２００は、この第１乃至第５のクライテリアに基づき決定されたＡＴ２０９をさらに含む。ＡＴ２０９は、心肺運動負荷試験を１０，０００件以上施行経験のある検者及び複数の検者が決定したＡＴ等、信頼性の高いと想定されるデータであることが望ましい。
【0054】
教師データ２００は、さらに、上記の各経時的データと異なる他の経時的データを含む。他の経時的データは、例えば、ＴＶ（一回換気量）の経時的データ、ＲＲ（呼吸数）の経時的データ、ＨＲ（心拍数）の経時的データ２１０（図２（Ａ）参照）、ＢＰｓ（収縮期血圧）の経時的データ、ＢＰｓとＨＲの積であるＤＰ（二重積）の経時的データ及びエルゴメータの回転数と仕事率、トレッドミルに於いては速度と傾斜の経時的データ等を含む。
【0055】
教師データ２００は、さらに、非経時的データを含む。非経時的データは、例えば、年齢、性別などの個人情報；直近の体調、病歴、薬歴及び検査結果履歴；過去の運動時間、心拍数、心電図、心拍数トレンドグラフ、脈拍数、経皮酸素飽和度、の履歴；健診データ；及び各種カルテからのデータ等を含む。
【0056】
要するに、１個の教師データ２００は、１人の被験者の心肺運動負荷試験により得られた、各経時的データ２０１－２０８と、各経時的データ２０１－２０８に基づく第１乃至第５のクライテリアに基づき決定されたＡＴ２０９と、上記の各経時的データと異なる他の経時的データと、非経時的データと、を含む。
【0057】
なお、教師データ２００の群は、ｋ－分割交差検証により生成したデータでもよい。ｋ－分割交差検証は、サンプル数が少ない場合等に有効である。ｋ－分割交差検証によれば、全体のデータをｎ個（ｋ１，ｋ２，ｋ３・・・Ｋｎ）のグループに分割し、そのうち１個のグループ（例えばｋ１）のデータを検証用データ、残りのグループのデータを学習用データとして用いる。その後、ｋ２を検証用とした場合、ｋ３を検証用とした場合等、計ｎ回繰り返して、解析を行いその結果を統合する方法である。
【0058】
３．嫌気性代謝閾値予測システムによる嫌気性代謝閾値予測方法
【0059】
図３は、嫌気性代謝閾値予測システムによる嫌気性代謝閾値予測方法の動作フローを示す。
【0060】
第１のＡＴ予測モデル生成部１１０は、教師データ２００の群を第１の学習モデル１１１に入力する（ステップＳ１０１）。第１のＡＴ予測モデル生成部１１０は、第１の学習モデル１１１を実行することにより、少なくとも１個の第６のクライテリアを決定する（ステップＳ１０２）。「少なくとも１個の第６のクライテリア」とは、１以上の異なるクライテリアであり、その数は１個以上であれば何個でもよく、複数の異なる種類の第６のクライテリアが組み合わせて使用されることを意味する。
【0061】
第６のクライテリアは、第１乃至第５のクライテリアと異なり、上記他の経時的データ及び非経時的データに基づいてＡＴを予測するためのクライテリアである。言い換えれば、第６のクライテリアは、検者がＡＴを主観的な判断に基づき決定するのに典型的には用いない新指標である。上述の様に、他の経時的データは、例えば、ＴＶの経時的データ、ＲＲの経時的データ、ＨＲの経時的データ、ＢＰｓの経時的データ、ＤＰの経時的データ及び回転数の経時的データ等を含む。例えば、第６のクライテリアは、ＴＶの増加率が低くなる点、ＲＲの増加率が高くなる点、ＨＲの増加率が高くなる点、心拍変動の高い周波数成分が消失する点、ＢＰｓの増加率が高くなる点、ＤＰの増加率が高くなる点、回転数が一時的に増加する点、ＶＥ／ＶＣＯ２の増加率が低くなる点であり、及び／又はＴＶ／ＲＲの増加率が低くなる点等が考えられるが、飽くまでも本発明者等の知見に基づく予想にすぎず、これらに限定されないし、これらが全く含まれない可能性もある。第６のクライテリアは、上記他の経時的データに加えて、非経時的データを加味した変動的な第６のクライテリアを決定してもよい。第６のクライテリアは、今後利用可能となる新しい学習モデルから導出されてもよい。
【0062】
第１のＡＴ予測モデル生成部１１０は、第１のＡＴ予測モデル１３１を生成する（ステップＳ１０３）。第１のＡＴ予測モデル１３１は、決定された少なくとも１個の第６のクライテリアに少なくとも基づき、ＡＴを予測するモデルである。第１のＡＴ予測モデル１３１は、第１乃至第６のクライテリアに基づき、ＡＴを予測してもよい。
【0063】
第１のＡＴ予測部１３０は、対象データ３００を第１のＡＴ予測モデル１３１に入力する（ステップＳ１０４）。
【0064】
対象データ３００は、ＡＴを決定すべき１人の患者の心肺運動負荷試験により得られたデータである。対象データ３００は、教師データ２００に含まれる各経時的データ及び非経時的データと同種の、各経時的データ及び非経時的データを含む。即ち、対象データ３００は、図２に示す様に、ＶＯ２の経時的データ２０１と、ＶＣＯ２の経時的データ２０２と、Ｒの経時的データ２０３と、ＶＥの経時的データ２０４と、ＶＥ／ＶＯ２の経時的データ２０５と、ＶＥ／ＶＣＯ２の経時的データ２０６と、Ｆ（Ｐ）ＥＴＣＯ２の経時的データ２０７と、Ｆ（Ｐ）ＥＴＯ２の経時的データ２０８と、他の経時的データ（例えば、ＴＶの経時的データ、ＲＲの経時的データ、ＨＲの経時的データ、ＢＰｓの経時的データ、ＤＰの経時的データ及び回転数の経時的データ等）と、非経時的データと同種の各データを含む。ただし、対象データ３００は、第１乃至第５のクライテリアに基づき決定されたＡＴ２０９を含まない。
【0065】
第１のＡＴ予測部１３０は、第１のＡＴ予測モデル生成部１１０が生成した第１のＡＴ予測モデル１３１を実行することにより、対象データ３００の第６のクライテリアに少なくとも基づき、典型的には第１乃至第６のクライテリアに基づき、対象データ３００のＡＴ１３２を予測する（ステップＳ１０５）。
【0066】
一方、第２のＡＴ予測モデル生成部１２０は、教師データ２００の群を第２の学習モデル１２１に入力する（ステップＳ１１１）。第１のＡＴ予測モデル生成部１１０に入力される教師データ２００の群と、第２のＡＴ予測モデル生成部１２０に入力される教師データ２００の群とは、同一でもよいし、異なってもよい。第２のＡＴ予測モデル生成部１２０は、第２の学習モデル１２１を実行することにより、少なくとも１個の第７のクライテリアを決定する（ステップＳ１１２）。「少なくとも１個の第７のクライテリア」とは、１以上の異なるクライテリアであり、その数は１個以上であれば何個でもよく、複数の異なる種類の第７のクライテリアが組み合わせて使用されることを意味する。
【0067】
第７のクライテリアは、第１乃至第５のクライテリアと異なり、上記他の経時的データ及び非経時的データに基づいてＡＴを予測するためのクライテリアである。言い換えれば、第７のクライテリアは、検者がＡＴを主観的な判断に基づき決定するのに典型的には用いない新指標である。上述の様に、他の経時的データは、例えば、ＴＶの経時的データ、ＲＲの経時的データ、ＨＲの経時的データ、ＢＰｓの経時的データ、ＤＰの経時的データ及び回転数の経時的データ等を含む。例えば、第７のクライテリアは、ＴＶの増加率が低くなる点、ＲＲの増加率が高くなる点、ＨＲの増加率が高くなる点、心拍変動の高い周波数成分が消失する点、ＢＰｓの増加率が高くなる点、ＤＰの増加率が高くなる点、回転数が一時的に増加する点、ＶＥ／ＶＣＯ２の増加率が低くなる点であり、及び／又はＴＶ／ＲＲの増加率が低くなる点等が考えられるが、飽くまでも本発明者等の知見に基づく予想にすぎず、これらに限定されないし、これらが全く含まれない可能性もある。第７のクライテリアは、上記他の経時的データに加えて、非経時的データを加味した変動的な第７のクライテリアを決定してもよい。第７のクライテリアは、今後利用可能となる新しい学習モデルから導出されてもよい。第７のクライテリアと第６のクライテリアとは、典型的には異なるが、同じである可能性もある。典型的には、複数の第６のクライテリアの組み合わせと、複数の第７のクライテリアの組み合わせとは異なる。
【0068】
第２のＡＴ予測モデル生成部１２０は、第２のＡＴ予測モデル１４１を生成する（ステップＳ１１３）。第２のＡＴ予測モデル１４１は、決定された少なくとも１個の第７のクライテリアに少なくとも基づき、ＡＴを予測するモデルである。第２のＡＴ予測モデル１４１は、第１乃至第５及び第７のクライテリアに基づき、ＡＴを予測してもよい。
【0069】
第２のＡＴ予測部１４０は、対象データ３００を第２のＡＴ予測モデル１４１に入力する（ステップＳ１１４）。第２のＡＴ予測モデル１４１に入力される対象データ３００は、第１のＡＴ予測モデル１３１に入力される対象データ３００と共通である。言い換えれば、１人の患者の心肺運動負荷試験により得られたデータである対象データ３００が、第１のＡＴ予測モデル１３１に入力され（ステップＳ１０４）、第２のＡＴ予測モデル１４１に入力される（ステップＳ１１４）。
【0070】
第２のＡＴ予測部１４０は、第２のＡＴ予測モデル生成部１２０が生成した第２のＡＴ予測モデル１４１を実行することにより、対象データ３００の第７のクライテリアに少なくとも基づき、典型的には第１乃至第５及び第７のクライテリアに基づき、対象データ３００のＡＴ１４２を予測する（ステップＳ１１５）。
【0071】
最適解出力ＡＩ予測部１７０は、第１のＡＴ予測部１３０が予測したＡＴ１３２及び第２のＡＴ予測部１４０が予測したＡＴ１４２の両方又は一方を出力（例えば、ディスプレイに表示）する（ステップＳ１０６）。例えば、最適解出力ＡＩ予測部１７０は、共通の対象データ３００から第１のＡＴ予測部１３０が予測したＡＴ１３２及び第２のＡＴ予測部１４０が予測したＡＴ１４２を比較して第１のＡＴ予測部１３０又は第２のＡＴ予測部１４０の何れが高精度かを判断し、高精度と判断した第１のＡＴ予測部１３０が予測したＡＴ１３２又は第２のＡＴ予測部１４０が予測したＡＴ１４２を出力してもよい。あるいは、最適解出力ＡＩ予測部１７０は、第１のＡＴ予測部１３０が予測したＡＴ１３２及び第２のＡＴ予測部１４０が予測したＡＴ１４２の両方を、単に出力してもよいし、精度の高い順に出力してもよい。精度の高い順に出力する場合、それぞれの精度（的中確率）を表示してもよい。医師は、第１のＡＴ予測部１３０が予測したＡＴ１３２及び／又は第２のＡＴ予測部１４０が予測したＡＴ１４２を参照し、診断することが出来る。
【0072】
運動処方作成部１６０は、第１のＡＴ予測部１３０が予測したＡＴ１３２及び第２のＡＴ予測部１４０が予測したＡＴ１４２の両方又は一方、および運動中に測定された血圧、心拍数、二重積（収縮期血圧×心拍数）、不整脈の有無、心電図波形、酸素飽和度（対象データ３０１）に基づき、運動処方箋１６１を作成し、出力する（ステップＳ１０７）。運動処方は、ユーザ毎に異なり、エルゴメータを用いて運動する際に目標とする各種数値を含む。運動処方は、ユーザの生体データ（血圧、経皮酸素飽和度、心拍数又は脈拍等）の目標値を含む。運動処方は、さらに、エルゴメータの仕事率の目標値、トルク（Ｎｍ：ニュートンメータ）、回転数）と、運動継続時間とを含んでもよい。
【0073】
なお、本例では、第１のＡＴ予測モデル生成部１１０が少なくとも１個の第６のクライテリアを決定して第１のＡＴ予測モデル１３１を生成し、第１のＡＴ予測部１３０が第１のＡＴ予測モデル１３１を実行してＡＴ１３２を予測し、さらに、第２のＡＴ予測モデル生成部１２０が少なくとも１個の第７のクライテリアを決定して第２のＡＴ予測モデル１４１を生成し、第２のＡＴ予測部１４０が第２のＡＴ予測モデル１４１を実行してＡＴ１４２を予測する。これに加えて、第ｎのＡＴ予測モデル生成部が少なくとも１個の第ｎのクライテリアを決定して第ｎのＡＴ予測モデルを生成し、第ｎのＡＴ予測部が第ｎのＡＴ予測モデルを実行してＡＴを予測してもよい（ｎは３以上の整数）。
【0074】
この場合、最適解出力ＡＩ予測部１７０は、第１のＡＴ予測部１３０が予測したＡＴ１３２、第２のＡＴ予測部１４０が予測したＡＴ１４２及び第ｎのＡＴ予測部が予測したＡＴの全て又は一方を出力（例えば、ディスプレイに表示）する（ステップＳ１０６）。例えば、最適解出力ＡＩ予測部１７０は、共通の対象データ３００から第１のＡＴ予測部１３０が予測したＡＴ１３２、第２のＡＴ予測部１４０が予測したＡＴ１４２及び第ｎのＡＴ予測部が予測したＡＴを比較して第１のＡＴ予測部１３０、第２のＡＴ予測部１４０又は第ｎのＡＴ予測部の何れが高精度かを判断し、高精度と判断した第１のＡＴ予測部１３０が予測したＡＴ１３２、第２のＡＴ予測部１４０が予測したＡＴ１４２又は第ｎのＡＴ予測部が予測したＡＴを出力してもよい。あるいは、最適解出力ＡＩ予測部１７０は、第１のＡＴ予測部１３０が予測したＡＴ１３２、第２のＡＴ予測部１４０が予測したＡＴ１４２及び第ｎのＡＴ予測部が予測したＡＴの全てを、単に出力してもよいし、精度の高い順に出力してもよい。精度の高い順に出力する場合、それぞれの精度（的中確率）を表示してもよい。医師は、第１のＡＴ予測部１３０が予測したＡＴ１３２、第２のＡＴ予測部１４０が予測したＡＴ１４２及び／又は第ｎのＡＴ予測部が予測したＡＴを参照し、診断することが出来る。
【0075】
運動処方作成部１６０は、第１のＡＴ予測部１３０が予測したＡＴ１３２、第２のＡＴ予測部１４０が予測したＡＴ１４２及び第ｎのＡＴ予測部が予測したＡＴの全て又は一方、および運動中に測定された血圧、心拍数、二重積（収縮期血圧×心拍数）、不整脈の有無、心電図波形、酸素飽和度（対象データ３０１）に基づき、運動処方箋１６１を作成し、出力する（ステップＳ１０７）。
【0076】
運動処方作成部１６０が運動処方箋１６１を作成する際に、以下のＡＴの生理学的特徴（１）乃至（６）は、運動の強さ（運動強度）を決定する目安となる。（１）ＡＴに至るまでの心拍数増加は副交感神経の活性低下が主因であり、ストレスホルモンの分泌が少ない。（２）ＡＴを超えると、交感神経活性（ストレスホルモン分泌）が高まり、血圧が上がり、不整脈が出やすくなる。このため、高血圧や糖尿病の運動療法にはＡＴレベル（即ち、有酸素運動に無酸素運動が加わる直前のレベル）の運動が推奨される。（３）ＡＴを超えると、健常例でも１回拍出量は増えなくなる。心疾患では１回拍出量は減少し、左室駆出率が下がる（心機能が悪くなる）。このため、心疾患や心不全のリハビリテーションにはＡＴレベルの運動が推奨される。（４）ＡＴを超えると、換気が亢進する。このため、ＣＯＰＤ（慢性閉塞性肺疾患：Chronic Obstructive Pulmonary Disease）の運動療法にはＡＴレベルの運動が推奨される。（５）ＡＴを超えると、血中乳酸濃度が増える。このため、慢性腎臓病や血液透析患者の運動療法にはＡＴレベルの運動が推奨される。（６）脂肪より糖がエネルギー源として使われる。このため、脂質代謝改善にはＡＴレベルの運動が推奨される。
【0077】
４．結語
【0078】
本実施形態によれば、第１のＡＴ予測モデル生成部１１０は、第１の学習モデル１１１を実行することにより第６のクライテリアを決定し（ステップＳ１０２）、第６のクライテリアに少なくとも基づきＡＴを予測する第１のＡＴ予測モデル１３１を生成する（ステップＳ１０３）。第１のＡＴ予測部１３０は、第１のＡＴ予測モデル１３１を実行することにより、第６のクライテリア等に少なくとも基づき、典型的には第１乃至第６のクライテリアに基づき、対象データ３００のＡＴ１３２を予測する（ステップＳ１０５）。本実施形態によれば、第１のＡＴ予測モデル１３１が、検者がＡＴを主観的な判断に基づき決定するのに典型的に用いられる第１乃至第５のクライテリアと異なる新指標（即ち、人間が知り得なかった新指標）である第６のクライテリアに基づき、対象データ３００のＡＴ１３２を予測することにより、主観性や経験の有無を排除し、簡便かつ精度高くＡＴ１３２を予測することができる。
【0079】
本実施形態によれば、第２のＡＴ予測モデル生成部１２０は、第１の学習モデル１１１と異なる第２の学習モデル１２１を実行することにより第７のクライテリアを決定し（ステップＳ１１２）、第７のクライテリアに少なくとも基づきＡＴを予測する第２のＡＴ予測モデル１４１を生成する（ステップＳ１１３）。第２のＡＴ予測部１４０は、第２のＡＴ予測モデル１４１を実行することにより、第７のクライテリアに少なくとも基づき、典型的には第１乃至第５及び第７のクライテリアに基づき、対象データ３００のＡＴ１４２を予測する（ステップＳ１１５）。本実施形態によれば、第１の学習モデル１１１と異なる第２の学習モデル１２１により第７のクライテリアを決定し、第２のＡＴ予測モデル１４１を生成することにより、第１のＡＴ予測モデル１３１が予測するＡＴ１３２とは別の選択肢としてのＡＴ１４２を予測することができる。また、このＡＴ１４２も、第２のＡＴ予測モデル１４１が、検者がＡＴを主観的な判断に基づき決定するのに典型的に用いられる第１乃至第５のクライテリアと異なる新指標（即ち、人間が知り得なかった新指標）である第７のクライテリアに基づき予測されるため、主観性や経験の有無を排除し、簡便かつ精度高くＡＴ１４２を予測することができる。
【0080】
本実施形態によれば、最適解出力ＡＩ予測部１７０は、共通の対象データ３００から第１のＡＴ予測部１３０が予測したＡＴ１３２及び第２のＡＴ予測部１４０が予測したＡＴ１４２を比較して第１のＡＴ予測部１３０又は第２のＡＴ予測部１４０の何れが高精度かを判断し、高精度と判断した第１のＡＴ予測部１３０が予測したＡＴ１３２又は第２のＡＴ予測部１４０が予測したＡＴ１４２を出力してもよい（ステップＳ１０６）。本実施形態によれば、２個の選択肢であるＡＴ１３２及びＡＴ１４２のうち、より高精度のＡＴを出力することができる。
【0081】
本実施形態によれば、最適解出力ＡＩ予測部１７０は、第１のＡＴ予測部１３０が予測したＡＴ１３２及び第２のＡＴ予測部１４０が予測したＡＴ１４２の両方を出力してもよい（ステップＳ１０６）。本実施形態によれば、２個の選択肢であるＡＴ１３２及びＡＴ１４２の両方を検者に提供することができる。
【0082】
本実施形態によれば、第１の学習モデル１１１と、第２の学習モデル１２１は、それぞれ、各時系列データの数値又はグラフ画像を解析するロジスティック回帰モデル、Ｌａｓｓｏ回帰モデル、決定木モデル、ＸＧブーストモデル又は深層学習モデルである。本実施形態によれば、タイプの異なる第１の学習モデル１１１と第２の学習モデル１２１とからそれぞれ第１のＡＴ予測モデル１３１と第２のＡＴ予測モデル１４１を作成するため、第１のＡＴ予測モデル１３１と第２のＡＴ予測モデル１４１も異なったものとなる。異なる第１のＡＴ予測モデル１３１と第２のＡＴ予測モデル１４１からそれぞれＡＴ１３２とＡＴ１４２を作成し、比較することが出来るため、ＡＴ１３２とＡＴ１４２それぞれの信頼性を確認しやすい。例えば、ＡＴ１３２とＡＴ１４２とが同じ又は極めて近似する値であれば、第１のＡＴ予測モデル１３１と第２のＡＴ予測モデル１４１の両方とも信頼性が高いと考えられる。一方、ＡＴ１３２とＡＴ１４２とが近似しない値であれば、第１のＡＴ予測モデル１３１と第２のＡＴ予測モデル１４１のうち少なくともいずれか一方の信頼性が低いことがわかり、再度、教師データ２００の群を準備して、信頼性が低い方の第１のＡＴ予測モデル１３１又は第２のＡＴ予測モデル１４１を作成し直すことが出来る。
【0083】
本実施形態によれば、運動処方作成部１６０は、第１のＡＴ予測部１３０が予測したＡＴ１３２及び第２のＡＴ予測部１４０が予測したＡＴ１４２の両方又は一方、および運動中に測定された血圧、心拍数、二重積（収縮期血圧×心拍数）、不整脈の有無、心電図波形、酸素飽和度に基づき、運動処方箋１６１を作成し、出力する（ステップＳ１０７）。本実施形態によれば、主観性を排除して簡便かつ精度高く予測したＡＴ１３２、１４２に基づき、主観性を排除して簡便かつ精度高く運動処方箋１６１を作成することができる。
【0084】
本技術の各実施形態及び各変形例について上に説明したが、本技術は上述の実施形態にのみ限定されるものではなく、本技術の要旨を逸脱しない範囲内において種々変更を加え得ることは勿論である。
【符号の説明】
【0085】
１０ 情報処理装置
１００ 嫌気性代謝閾値予測システム
１１０ 第１のＡＴ予測モデル生成部
１１１ 第１の学習モデル
１２０ 第２のＡＴ予測モデル生成部
１２１ 第２の学習モデル
１３０ 第１のＡＴ予測部
１３１ 第１のＡＴ予測モデル
１３２ ＡＴ
１４０ 第２のＡＴ予測部
１４１ 第２のＡＴ予測モデル
１４２ ＡＴ
１５０ ＡＴ出力部
１６０ 運動処方作成部
１６１ 運動処方
１７０ 最適解出力ＡＩ予測部
２００ 教師データ
３００ 対象データ
１００ 嫌気性代謝閾値予測システム
１１０ 第１のＡＴ予測モデル生成部
１１１ 第１の学習モデル
１２０ 第２のＡＴ予測モデル生成部
１２１ 第２の学習モデル
１３０ 第１のＡＴ予測部
１３１ 第１のＡＴ予測モデル
１３２ ＡＴ
１４０ 第２のＡＴ予測部
１４１ 第２のＡＴ予測モデル
１４２ ＡＴ
１５０ ＡＴ出力部
１６０ 運動処方作成部
１６１ 運動処方
１７０ 最適解出力ＡＩ予測部
２００ 教師データ
３００ 対象データ
【図1】
【図2】
【図3】