ホーム > 特許ランキング > オムロンヘルスケア株式会社
知財求人 - 知財ポータルサイト「IP Force」
特開2024-128658情報処理方法、情報処理装置、情報処理プログラム、械学習済みモデルの生成方法、及び機械学習済みモデル
(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】P2024128658
(43)【公開日】2024-09-24
(54)【発明の名称】情報処理方法、情報処理装置、情報処理プログラム、械学習済みモデルの生成方法、及び機械学習済みモデル
(51)【国際特許分類】
A61B 5/00 20060101AFI20240913BHJP
G16H 40/60 20180101ALI20240913BHJP
【ＦＩ】
A61B5/00 102B
G16H40/60
【審査請求】未請求
【請求項の数】13
【出願形態】ＯＬ
(21)【出願番号】P 2023037755
(22)【出願日】2023-03-10
(71)【出願人】
【識別番号】503246015
【氏名又は名称】オムロンヘルスケア株式会社
(74)【代理人】
【識別番号】110002505
【氏名又は名称】弁理士法人航栄事務所
(72)【発明者】
【氏名】松村 麻見
(72)【発明者】
【氏名】永田 里恵
(72)【発明者】
【氏名】金光 陽子
(72)【発明者】
【氏名】佐藤 博則
(72)【発明者】
【氏名】▲高▼木 勇志
(72)【発明者】
【氏名】井上 美帆
(72)【発明者】
【氏名】レイ ジェフ
【テーマコード（参考）】
4C117
5L099
【Ｆターム（参考）】
4C117XA07
4C117XB01
4C117XB02
4C117XB04
4C117XB15
4C117XE04
4C117XE15
4C117XJ13
4C117XJ52
5L099AA15
(57)【要約】 （修正有）
【課題】生体情報の被測定者の管理に役立てることが可能な情報処理方法、情報処理装置、情報処理プログラム、機械学習済みモデルの生成方法、及び機械学習済みモデルを提供する。
【解決手段】プロセッサ１１は、生体情報測定装置によって被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報を取得し、前記測定関連情報に基づいて、前記所定期間よりも後の未来の期間において前記被測定者が生体情報を継続して測定する可能性の大きさを示す測定傾向情報を導出し、前記測定傾向情報に基づく処理を行う。
【選択図】図１
【解決手段】プロセッサ１１は、生体情報測定装置によって被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報を取得し、前記測定関連情報に基づいて、前記所定期間よりも後の未来の期間において前記被測定者が生体情報を継続して測定する可能性の大きさを示す測定傾向情報を導出し、前記測定傾向情報に基づく処理を行う。
【選択図】図１
【特許請求の範囲】
【請求項1】
プロセッサが、
生体情報測定装置によって被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報を取得し、
前記測定関連情報に基づいて、前記所定期間よりも後の未来の期間において前記被測定者が生体情報を継続して測定する可能性の大きさを示す測定傾向情報を導出し、
前記測定傾向情報に基づく処理を行う、情報処理方法。
生体情報測定装置によって被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報を取得し、
前記測定関連情報に基づいて、前記所定期間よりも後の未来の期間において前記被測定者が生体情報を継続して測定する可能性の大きさを示す測定傾向情報を導出し、
前記測定傾向情報に基づく処理を行う、情報処理方法。
【請求項2】
請求項１に記載の情報処理方法であって、
前記プロセッサは、前記測定関連情報を、機械学習済みのモデルに入力して、前記測定傾向情報を前記モデルから取得する、情報処理方法。
前記プロセッサは、前記測定関連情報を、機械学習済みのモデルに入力して、前記測定傾向情報を前記モデルから取得する、情報処理方法。
【請求項3】
請求項２に記載の情報処理方法であって、
前記測定実績は、前記生体情報の測定値を含む、情報処理方法。
前記測定実績は、前記生体情報の測定値を含む、情報処理方法。
【請求項4】
請求項２に記載の情報処理方法であって、
前記測定実績は、前記所定期間における生体情報の測定タイミングを含み、
前記測定関連情報は、前記測定タイミングの分布の特徴を示す情報を含む、情報処理方法。
前記測定実績は、前記所定期間における生体情報の測定タイミングを含み、
前記測定関連情報は、前記測定タイミングの分布の特徴を示す情報を含む、情報処理方法。
【請求項5】
請求項２から４のいずれか１項に記載の情報処理方法であって、
前記プロセッサは、
前記被測定者の生活状況に関する測定者情報を取得し、
前記測定者情報を前記モデルに更に入力して、前記モデルから前記測定傾向情報を得る、情報処理方法。
前記プロセッサは、
前記被測定者の生活状況に関する測定者情報を取得し、
前記測定者情報を前記モデルに更に入力して、前記モデルから前記測定傾向情報を得る、情報処理方法。
【請求項6】
請求項２から４のいずれか１項に記載の情報処理方法であって、
前記プロセッサは、
前記被測定者が利用する前記生体情報測定装置の機種情報を取得し、
前記機種情報を前記モデルに更に入力して、前記モデルから前記測定傾向情報を得る、情報処理方法。
前記プロセッサは、
前記被測定者が利用する前記生体情報測定装置の機種情報を取得し、
前記機種情報を前記モデルに更に入力して、前記モデルから前記測定傾向情報を得る、情報処理方法。
【請求項7】
請求項２から４のいずれか１項に記載の情報処理方法であって、
前記モデルは、被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報と、前記所定期間の後に当該被測定者に対して生体情報の測定を促す介入が行われたか否かを示す介入情報とを学習用データとして学習して生成されたものであり、
前記プロセッサは、
取得した前記測定関連情報と介入を行ったことを示す介入あり情報を前記モデルに入力し、前記モデルから取得した前記測定傾向情報に基づく前記処理を行い、
取得した前記測定関連情報と介入を行わなかったことを示す介入なし情報を前記モデルに入力し、前記モデルから取得した前記測定傾向情報に基づく前記処理を行う、情報処理方法。
前記モデルは、被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報と、前記所定期間の後に当該被測定者に対して生体情報の測定を促す介入が行われたか否かを示す介入情報とを学習用データとして学習して生成されたものであり、
前記プロセッサは、
取得した前記測定関連情報と介入を行ったことを示す介入あり情報を前記モデルに入力し、前記モデルから取得した前記測定傾向情報に基づく前記処理を行い、
取得した前記測定関連情報と介入を行わなかったことを示す介入なし情報を前記モデルに入力し、前記モデルから取得した前記測定傾向情報に基づく前記処理を行う、情報処理方法。
【請求項8】
請求項７に記載の情報処理方法であって、
前記学習用データに含まれる前記介入が行われたことを示す前記介入情報は、介入が実施された時間帯の情報が含まれ、
前記プロセッサは、取得した前記測定関連情報と特定の時間帯に介入を行う情報とを前記モデルに入力する処理を、前記時間帯を変えて複数回行い、前記複数回の処理で前記モデルから出力された前記測定傾向情報に基づく前記処理を行う、情報処理方法。
前記学習用データに含まれる前記介入が行われたことを示す前記介入情報は、介入が実施された時間帯の情報が含まれ、
前記プロセッサは、取得した前記測定関連情報と特定の時間帯に介入を行う情報とを前記モデルに入力する処理を、前記時間帯を変えて複数回行い、前記複数回の処理で前記モデルから出力された前記測定傾向情報に基づく前記処理を行う、情報処理方法。
【請求項9】
請求項７に記載の情報処理方法であって、
前記学習用データに含まれる前記介入が行われたことを示す前記介入情報は、実施された介入の内容の情報が含まれ、
前記プロセッサは、取得した前記測定関連情報と前記介入の内容の情報とを前記モデルに入力する処理を前記内容の情報を変えて複数回行い、前記複数回の処理で前記モデルから出力された前記測定傾向情報に基づく前記処理を行う、情報処理方法。
前記学習用データに含まれる前記介入が行われたことを示す前記介入情報は、実施された介入の内容の情報が含まれ、
前記プロセッサは、取得した前記測定関連情報と前記介入の内容の情報とを前記モデルに入力する処理を前記内容の情報を変えて複数回行い、前記複数回の処理で前記モデルから出力された前記測定傾向情報に基づく前記処理を行う、情報処理方法。
【請求項10】
生体情報測定装置によって被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報を取得し、
前記測定関連情報に基づいて、前記所定期間よりも後の未来の期間において前記被測定者が生体情報を継続して測定する可能性の大きさを示す測定傾向情報を導出し、
前記測定傾向情報に基づく処理を行う、プロセッサを備える情報処理装置。
前記測定関連情報に基づいて、前記所定期間よりも後の未来の期間において前記被測定者が生体情報を継続して測定する可能性の大きさを示す測定傾向情報を導出し、
前記測定傾向情報に基づく処理を行う、プロセッサを備える情報処理装置。
【請求項11】
生体情報測定装置によって被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報を取得するステップと、
前記測定関連情報に基づいて、前記所定期間よりも後の未来の期間において前記被測定者が生体情報を継続して測定する可能性の大きさを示す測定傾向情報を導出するステップと、
前記測定傾向情報に基づく処理を行うステップと、をプロセッサに実行させる情報処理プログラム。
前記測定関連情報に基づいて、前記所定期間よりも後の未来の期間において前記被測定者が生体情報を継続して測定する可能性の大きさを示す測定傾向情報を導出するステップと、
前記測定傾向情報に基づく処理を行うステップと、をプロセッサに実行させる情報処理プログラム。
【請求項12】
プロセッサが、
生体情報測定装置によって被測定者に対して行われた過去の一定期間分のうちの所定期間における生体情報の測定実績に関する測定関連情報と、前記一定期間のうちの前記所定期間よりも後の期間において前記被測定者が生体情報を継続して測定したか否かの情報とを学習用データとして複数取得し、
前記複数の学習用データに基づく機械学習をプログラムに実行させて、生体情報測定装置によって被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報が入力されると、当該所定期間よりも後の未来の期間において当該被測定者が生体情報を継続して測定する可能性の大きさを示す測定傾向情報を出力する機械学習済みモデルを生成する、機械学習済みモデルの生成方法。
生体情報測定装置によって被測定者に対して行われた過去の一定期間分のうちの所定期間における生体情報の測定実績に関する測定関連情報と、前記一定期間のうちの前記所定期間よりも後の期間において前記被測定者が生体情報を継続して測定したか否かの情報とを学習用データとして複数取得し、
前記複数の学習用データに基づく機械学習をプログラムに実行させて、生体情報測定装置によって被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報が入力されると、当該所定期間よりも後の未来の期間において当該被測定者が生体情報を継続して測定する可能性の大きさを示す測定傾向情報を出力する機械学習済みモデルを生成する、機械学習済みモデルの生成方法。
【請求項13】
生体情報測定装置によって被測定者に対して行われた過去の一定期間分のうちの所定期間における生体情報の測定実績に関する測定関連情報と、前記一定期間のうちの前記所定期間よりも後の期間において前記被測定者が生体情報を継続して測定したか否かの情報とを学習用データとして機械学習がなされた機械学習済みモデルであって、
生体情報測定装置によって被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報を入力として、当該所定期間よりも後の未来の期間において当該被測定者が生体情報を継続して測定する可能性の大きさを示す測定傾向情報を出力する処理をプロセッサに実行させる機械学習済みモデル。
生体情報測定装置によって被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報を入力として、当該所定期間よりも後の未来の期間において当該被測定者が生体情報を継続して測定する可能性の大きさを示す測定傾向情報を出力する処理をプロセッサに実行させる機械学習済みモデル。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、情報処理方法、情報処理装置、情報処理プログラム、械学習済みモデルの生成方法、及び機械学習済みモデルに関する。
【背景技術】
【0002】
健康管理のために、体重、血圧、又は血糖等の生体情報の測定を継続的に行うことが求められる場合がある。しかしながら、被測定者によっては、生体情報の測定は忘れがちになる。特許文献１には、ユーザの生体情報の測定データが取得され、取得されたデータに基づいて双六におけるユーザのコマが進められることにより、ユーザが生体情報を測定するためのモチベーションを上げることができる技術が記載されている。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０１９－３５６９号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
医師や看護師等の医療従事者にとっては、自身の担当する患者が継続的に生体情報の測定を行ってもらえるように、患者を管理する必要がある。しかし、患者と行動を共にしていない医療従事者にとって、患者が生体情報を測定し続けるかどうかを判断することは難しい。
【0005】
本開示の目的は、生体情報の被測定者の管理に役立てることが可能な情報処理方法、情報処理装置、情報処理プログラム、機械学習済みモデルの生成方法、及び機械学習済みモデルを提供することにある。
【課題を解決するための手段】
【0006】
本開示の技術は以下の通りである。なお、括弧内には、以降の実施形態において対応する構成要素等を示しているが、これに限定されるものではない。
【0007】
（１）
プロセッサ（プロセッサ１１）が、
生体情報測定装置によって被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報を取得し、
上記測定関連情報に基づいて、上記所定期間よりも後の未来の期間において上記被測定者が生体情報を継続して測定する可能性の大きさを示す測定傾向情報を導出し、
上記測定傾向情報に基づく処理を行う、情報処理方法。
プロセッサ（プロセッサ１１）が、
生体情報測定装置によって被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報を取得し、
上記測定関連情報に基づいて、上記所定期間よりも後の未来の期間において上記被測定者が生体情報を継続して測定する可能性の大きさを示す測定傾向情報を導出し、
上記測定傾向情報に基づく処理を行う、情報処理方法。
【0008】
（１）によれば、被測定者の測定関連情報を取得できれば、その被測定者が未来の期間において生体情報を継続する可能性がどの程度であるかを判定できる。この結果、生体情報を継続する可能性が低いと判定できる場合には、その被測定者に対して生体情報の測定を促す等の措置が可能となり、被測定者が生体情報を継続して測定する可能性を高めることができる。
【0009】
（２）
（１）に記載の情報処理方法であって、
上記プロセッサは、上記測定関連情報を、機械学習済みのモデルに入力して、上記測定傾向情報を上記モデルから取得する、情報処理方法。
（１）に記載の情報処理方法であって、
上記プロセッサは、上記測定関連情報を、機械学習済みのモデルに入力して、上記測定傾向情報を上記モデルから取得する、情報処理方法。
【0010】
（２）によれば、機械学習済みモデルを定期的に学習させていくことで、測定傾向情報の導出精度を高めることができ、被測定者の管理をより適切に行うことが可能となる。
【0011】
（３）
（２）に記載の情報処理方法であって、
上記測定実績は、上記生体情報の測定値を含む、情報処理方法。
（２）に記載の情報処理方法であって、
上記測定実績は、上記生体情報の測定値を含む、情報処理方法。
【0012】
（３）によれば、被測定者から測定された測定値を収集することで、その被測定者の測定傾向情報を導出できるようになるため、被測定者に対して特別な作業をさせることなく、測定傾向情報を容易に導出可能となる。
【0013】
（４）
（３）に記載の情報処理方法であって、
上記測定関連情報は、上記所定期間における上記測定値の代表値を含む、情報処理方法。
（３）に記載の情報処理方法であって、
上記測定関連情報は、上記所定期間における上記測定値の代表値を含む、情報処理方法。
【0014】
（４）によれば、被測定者から測定された測定値を収集することで、その被測定者の測定傾向情報を導出できるようになるため、被測定者に対して特別な作業をさせることなく、測定傾向情報を容易に導出可能となる。
【0015】
（５）
（３）に記載の情報処理方法であって、
上記測定関連情報は、上記所定期間における上記測定値の変動傾向を示す情報を含む、情報処理方法。
（３）に記載の情報処理方法であって、
上記測定関連情報は、上記所定期間における上記測定値の変動傾向を示す情報を含む、情報処理方法。
【0016】
（５）によれば、被測定者から測定された測定値を収集することで、その被測定者の測定傾向情報を導出できるようになるため、被測定者に対して特別な作業をさせることなく、測定傾向情報を容易に導出可能となる。
【0017】
（６）
（２）に記載の情報処理方法であって、
上記測定実績は、上記所定期間における生体情報の測定タイミングを含み、
上記測定関連情報は、上記測定タイミングの分布の特徴を示す情報を含む、情報処理方法。
（２）に記載の情報処理方法であって、
上記測定実績は、上記所定期間における生体情報の測定タイミングを含み、
上記測定関連情報は、上記測定タイミングの分布の特徴を示す情報を含む、情報処理方法。
【0018】
（６）によれば、被測定者から生体情報が測定された測定タイミングを収集することで、その被測定者の測定傾向情報を導出できるようになるため、被測定者に対して特別な作業をさせることなく、測定傾向情報を容易に導出可能となる。
【0019】
（７）
（６）に記載の情報処理方法であって、
上記情報は、上記所定期間において最後に上記生体情報が測定されたタイミングから上記基準時点までの経過時間を含む、情報処理方法。
（６）に記載の情報処理方法であって、
上記情報は、上記所定期間において最後に上記生体情報が測定されたタイミングから上記基準時点までの経過時間を含む、情報処理方法。
【0020】
（７）によれば、被測定者から生体情報が測定された測定タイミングを収集することで、その被測定者の測定傾向情報を導出できるようになるため、被測定者に対して特別な作業をさせることなく、測定傾向情報を容易に導出可能となる。
【0021】
（８）
（６）に記載の情報処理方法であって、
上記情報は、上記所定期間の一部であって上記基準時点から既定時間前までの期間における上記生体情報の測定回数を含む、情報処理方法。
（６）に記載の情報処理方法であって、
上記情報は、上記所定期間の一部であって上記基準時点から既定時間前までの期間における上記生体情報の測定回数を含む、情報処理方法。
【0022】
（８）によれば、被測定者から生体情報が測定された測定タイミングを収集することで、その被測定者の測定傾向情報を導出できるようになるため、被測定者に対して特別な作業をさせることなく、測定傾向情報を容易に導出可能となる。
【0023】
（９）
（２）から（８）のいずれかに記載の情報処理方法であって、
上記プロセッサは、
上記被測定者の生活状況に関する測定者情報を取得し、
上記測定者情報を上記モデルに更に入力して、上記モデルから上記測定傾向情報を得る、情報処理方法。
（２）から（８）のいずれかに記載の情報処理方法であって、
上記プロセッサは、
上記被測定者の生活状況に関する測定者情報を取得し、
上記測定者情報を上記モデルに更に入力して、上記モデルから上記測定傾向情報を得る、情報処理方法。
【0024】
（９）によれば、被測定者の測定者情報と測定関連情報を用いて、その被測定者の測定傾向情報を導出できるようになるため、測定傾向情報の導出精度を高めることができる。
【0025】
（１０）
（９）に記載の情報処理方法であって、
上記測定者情報は、上記所定期間において上記被測定者が最後に通院したタイミング、上記被測定者の同居人の有無、又は上記被測定者の罹患している病名を含む、情報処理方法。
（９）に記載の情報処理方法であって、
上記測定者情報は、上記所定期間において上記被測定者が最後に通院したタイミング、上記被測定者の同居人の有無、又は上記被測定者の罹患している病名を含む、情報処理方法。
【0026】
（１０）によれば、被測定者の生活状況に応じて測定傾向情報を導出できるようになるため、測定傾向情報の導出精度を高めることができる。
【0027】
（１１）
（２）から（８）のいずれかに記載の情報処理方法であって、
上記プロセッサは、
上記被測定者が利用する上記生体情報測定装置の機種情報を取得し、
上記機種情報を上記モデルに更に入力して、上記モデルから上記測定傾向情報を得る、情報処理方法。
（２）から（８）のいずれかに記載の情報処理方法であって、
上記プロセッサは、
上記被測定者が利用する上記生体情報測定装置の機種情報を取得し、
上記機種情報を上記モデルに更に入力して、上記モデルから上記測定傾向情報を得る、情報処理方法。
【0028】
（１１）によれば、被測定者の使用している生体情報測定装置の機種に応じて測定傾向情報を導出できるようになるため、測定傾向情報の導出精度を高めることができる。
【0029】
（１２）
（２）から（１１）のいずれかに記載の情報処理方法であって、
前記モデルは、被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報と、前記所定期間の後に当該被測定者に対して生体情報の測定を促す介入が行われたか否かを示す介入情報とを学習用データとして学習して生成されたものであり、
前記プロセッサは、
取得した前記測定関連情報と介入を行ったことを示す介入あり情報を前記モデルに入力し、前記モデルから取得した前記測定傾向情報に基づく前記処理を行い、
取得した前記測定関連情報と介入を行わなかったことを示す介入なし情報を前記モデルに入力し、前記モデルから取得した前記測定傾向情報に基づく前記処理を行う、情報処理方法。
（２）から（１１）のいずれかに記載の情報処理方法であって、
前記モデルは、被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報と、前記所定期間の後に当該被測定者に対して生体情報の測定を促す介入が行われたか否かを示す介入情報とを学習用データとして学習して生成されたものであり、
前記プロセッサは、
取得した前記測定関連情報と介入を行ったことを示す介入あり情報を前記モデルに入力し、前記モデルから取得した前記測定傾向情報に基づく前記処理を行い、
取得した前記測定関連情報と介入を行わなかったことを示す介入なし情報を前記モデルに入力し、前記モデルから取得した前記測定傾向情報に基づく前記処理を行う、情報処理方法。
【0030】
（１２）によれば、介入ありの場合の測定傾向情報と介入なしの場合の測定傾向情報を例えば比較することができ、この比較によって、被測定者に対して介入するべきかどうかの判断を支援することができる。
【0031】
（１３）
（１２）に記載の情報処理方法であって、
前記学習用データに含まれる前記介入が行われたことを示す前記介入情報は、介入が実施された時間帯の情報が含まれ、
前記プロセッサは、取得した前記測定関連情報と特定の時間帯に介入を行う情報とを前記モデルに入力する処理を、前記時間帯を変えて複数回行い、前記複数回の処理で前記モデルから出力された前記測定傾向情報に基づく前記処理を行う、情報処理方法。
（１２）に記載の情報処理方法であって、
前記学習用データに含まれる前記介入が行われたことを示す前記介入情報は、介入が実施された時間帯の情報が含まれ、
前記プロセッサは、取得した前記測定関連情報と特定の時間帯に介入を行う情報とを前記モデルに入力する処理を、前記時間帯を変えて複数回行い、前記複数回の処理で前記モデルから出力された前記測定傾向情報に基づく前記処理を行う、情報処理方法。
【0032】
（１３）によれば、介入を行う時間帯毎の測定傾向情報を例えば比較することができ、この比較によって、被測定者に対して介入する場合にはどの時間帯に介入するのが効果的かの判断が可能となる。
【0033】
（１４）
（１２）に記載の情報処理方法であって、
前記学習用データに含まれる前記介入が行われたことを示す前記介入情報は、実施された介入の内容の情報が含まれ、
前記プロセッサは、取得した前記測定関連情報と前記介入の内容の情報とを前記モデルに入力する処理を前記内容の情報を変えて複数回行い、前記複数回の処理で前記モデルから出力された前記測定傾向情報に基づく前記処理を行う、情報処理方法。
（１２）に記載の情報処理方法であって、
前記学習用データに含まれる前記介入が行われたことを示す前記介入情報は、実施された介入の内容の情報が含まれ、
前記プロセッサは、取得した前記測定関連情報と前記介入の内容の情報とを前記モデルに入力する処理を前記内容の情報を変えて複数回行い、前記複数回の処理で前記モデルから出力された前記測定傾向情報に基づく前記処理を行う、情報処理方法。
【0034】
（１４）によれば、介入する内容毎に測定傾向情報を例えば比較することができ、この比較によって、被測定者に対して介入する場合にはどのような内容で介入するのが効果的かの判断が可能となる。
【0035】
（１５）
生体情報測定装置によって被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報を取得し、
上記測定関連情報に基づいて、上記所定期間よりも後の未来の期間において上記被測定者が生体情報を継続して測定する可能性の大きさを示す測定傾向情報を導出し、
上記測定傾向情報に基づく処理を行う、プロセッサ（プロセッサ１１）を備える情報処理装置（情報処理サーバ１０）。
生体情報測定装置によって被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報を取得し、
上記測定関連情報に基づいて、上記所定期間よりも後の未来の期間において上記被測定者が生体情報を継続して測定する可能性の大きさを示す測定傾向情報を導出し、
上記測定傾向情報に基づく処理を行う、プロセッサ（プロセッサ１１）を備える情報処理装置（情報処理サーバ１０）。
【0036】
（１６）
生体情報測定装置によって被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報を取得するステップと、
上記測定関連情報に基づいて、上記所定期間よりも後の未来の期間において上記被測定者が生体情報を継続して測定する可能性の大きさを示す測定傾向情報を導出するステップと、
上記測定傾向情報に基づく処理を行うステップと、をプロセッサ（プロセッサ１１）に実行させる情報処理プログラム。
生体情報測定装置によって被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報を取得するステップと、
上記測定関連情報に基づいて、上記所定期間よりも後の未来の期間において上記被測定者が生体情報を継続して測定する可能性の大きさを示す測定傾向情報を導出するステップと、
上記測定傾向情報に基づく処理を行うステップと、をプロセッサ（プロセッサ１１）に実行させる情報処理プログラム。
【0037】
（１７）
プロセッサ（プロセッサ１１）が、
生体情報測定装置によって被測定者に対して行われた過去の一定期間分のうちの所定期間（期間Ｔ１）における生体情報の測定実績に関する測定関連情報と、上記一定期間のうちの上記所定期間よりも後の期間（期間Ｔ２）において上記被測定者が生体情報を継続して測定したか否かの情報とを学習用データとして複数取得し、
上記複数の学習用データに基づく機械学習をプログラムに実行させて、生体情報測定装置によって被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報が入力されると、その所定期間よりも後の未来の期間においてその被測定者が生体情報を継続して測定する可能性の大きさを示す測定傾向情報を出力する機械学習済みモデル（機械学習済みモデル１３）を生成する、機械学習済みモデルの生成方法。
プロセッサ（プロセッサ１１）が、
生体情報測定装置によって被測定者に対して行われた過去の一定期間分のうちの所定期間（期間Ｔ１）における生体情報の測定実績に関する測定関連情報と、上記一定期間のうちの上記所定期間よりも後の期間（期間Ｔ２）において上記被測定者が生体情報を継続して測定したか否かの情報とを学習用データとして複数取得し、
上記複数の学習用データに基づく機械学習をプログラムに実行させて、生体情報測定装置によって被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報が入力されると、その所定期間よりも後の未来の期間においてその被測定者が生体情報を継続して測定する可能性の大きさを示す測定傾向情報を出力する機械学習済みモデル（機械学習済みモデル１３）を生成する、機械学習済みモデルの生成方法。
【0038】
（１８）
生体情報測定装置によって被測定者に対して行われた過去の一定期間分のうちの所定期間（期間Ｔ１）における生体情報の測定実績に関する測定関連情報と、上記一定期間のうちの上記所定期間よりも後の期間（期間Ｔ２）において上記被測定者が生体情報を継続して測定したか否かの情報とを学習用データとして機械学習がなされた機械学習済みモデル（機械学習済みモデル１３）であって、
生体情報測定装置によって被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報を入力として、その所定期間よりも後の未来の期間においてその被測定者が生体情報を継続して測定する可能性の大きさを示す測定傾向情報を出力する処理をプロセッサ（プロセッサ１１）に実行させる機械学習済みモデル（機械学習済みモデル１３）。
生体情報測定装置によって被測定者に対して行われた過去の一定期間分のうちの所定期間（期間Ｔ１）における生体情報の測定実績に関する測定関連情報と、上記一定期間のうちの上記所定期間よりも後の期間（期間Ｔ２）において上記被測定者が生体情報を継続して測定したか否かの情報とを学習用データとして機械学習がなされた機械学習済みモデル（機械学習済みモデル１３）であって、
生体情報測定装置によって被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報を入力として、その所定期間よりも後の未来の期間においてその被測定者が生体情報を継続して測定する可能性の大きさを示す測定傾向情報を出力する処理をプロセッサ（プロセッサ１１）に実行させる機械学習済みモデル（機械学習済みモデル１３）。
【発明の効果】
【0039】
本開示によれば、生体情報の被測定者の管理に役立てることが可能となる。
【図面の簡単な説明】
【0040】
【発明を実施するための形態】
【0041】
（本開示の情報処理方法の概要）
情報処理方法は、プロセッサが、体重計、血圧計、又は血糖計等の生体情報測定装置によって被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報を取得し、この測定関連情報に基づいて、上記所定期間よりも後の未来の期間において上記被測定者が生体情報を継続して測定する可能性の大きさを示す測定傾向情報を導出し、この測定傾向情報に基づく処理を行うものである。
情報処理方法は、プロセッサが、体重計、血圧計、又は血糖計等の生体情報測定装置によって被測定者に対して行われた所定期間分の生体情報の測定実績に関する測定関連情報を取得し、この測定関連情報に基づいて、上記所定期間よりも後の未来の期間において上記被測定者が生体情報を継続して測定する可能性の大きさを示す測定傾向情報を導出し、この測定傾向情報に基づく処理を行うものである。
【0042】
測定関連情報は、上記の所定期間における生体情報の測定値の大きさや変化の傾向を示す情報、或いは、上記の所定期間における生体情報の測定タイミングの分布の特徴を示す情報が好ましく用いられる。測定傾向情報は、被測定者が未来の期間において生体情報を継続する確率の情報が好ましく用いられる。このように、被測定者による生体情報の測定実績から、その被測定者が未来においてどれだけ生体情報を継続して測定するのかを予測することで、被測定者に対して適切なアドバイス等が可能となり、被測定者に生体情報を継続して測定してもらえるようになる。
【0043】
以下、本開示の情報処理方法を実行する装置を含む管理システムの構成例について説明する。
【0044】
（システム構成）
図１は、管理システム１００の概略構成を示す模式図である。管理システム１００は、体重、血圧、脈拍、又は血糖等の生体情報の管理を必要とされた人（以下、ユーザと記載）が、生体情報を継続して測定できるように支援するためのシステムである。管理システム１００は、情報処理サーバ１０と、測定データ管理サーバ２０と、施設端末４０と、複数のユーザ端末５０と、を備え、これらがインターネット等のネットワーク３０に接続可能に構成されている。
図１は、管理システム１００の概略構成を示す模式図である。管理システム１００は、体重、血圧、脈拍、又は血糖等の生体情報の管理を必要とされた人（以下、ユーザと記載）が、生体情報を継続して測定できるように支援するためのシステムである。管理システム１００は、情報処理サーバ１０と、測定データ管理サーバ２０と、施設端末４０と、複数のユーザ端末５０と、を備え、これらがインターネット等のネットワーク３０に接続可能に構成されている。
【0045】
ユーザ端末５０は、ユーザが所持するスマートフォン等の電子機器である。ユーザの所持する体重計、血圧計、脈拍計、又は血糖計等の生体情報測定装置と、ユーザ端末５０と、は通信可能に接続され、この生体情報測定装置で測定された測定データは、ユーザ端末５０から測定データ管理サーバ２０へと送信される。測定データは、体重、血圧値、脈拍数、又は血糖値等の生体情報の測定値と、測定日時の情報と、を含む。以下では、生体情報測定装置が血圧計であり、測定値が血圧値（好ましくは最高血圧）である例について説明する。
【0046】
測定データ管理サーバ２０は、ユーザ端末５０から送信されてきた測定データを、ユーザを識別する情報と対応付けてデータベースに記憶して、ユーザ毎の測定データの管理を行う。図２は、測定データを模式的に示す図である。図２には、ユーザＡの測定データＤ１が示されている。
【0047】
測定データは、測定日時とその測定日時で測定された測定値（血圧値）のセットを複数含む。図２の例では、測定値としての最高血圧の大きさが棒グラフとして示されている。棒グラフが存在しない日時は、測定が行われなかった日時を表している。このような測定データは、多数のユーザから長期間にわたって収集されてデータベースに蓄積される。
【0048】
測定データ管理サーバ２０には、後述の機械学習済みモデル１３の生成に用いる教師データの抽出対象となるサンプルデータ群が含まれる。このサンプルデータ群に含まれる各測定データは、例えば、測定データ管理サーバ２０に対してユーザの利用登録がなされた日を開始日とした所定の期間Ｔ１における測定実績（測定したタイミングと測定された測定値を含む）と、期間Ｔ１の最終日の次の日を開始日とした所定の期間Ｔ２における測定実績と、を含む。期間Ｔ１と期間Ｔ２は、それぞれ、特に限定されるものではないが、期間Ｔ１よりも期間Ｔ２の方が長く設定される。一例として、期間Ｔ１は３０日間であり、期間Ｔ２は９０日間である。
【0049】
施設端末４０は、病院等の医療施設に設置されたパーソナルコンピュータ、スマートフォン、又はタブレット型端末等の電子機器である。施設端末４０から測定データ管理サーバ２０にアクセスすることで、特定のユーザの測定データを施設端末４０にダウンロードして参照することが可能である。施設端末４０には、例えば、有機ＥＬ（ｅｌｅｃｔｒｏ－ｌｕｍｉｎｅｓｃｅｎｃｅ）ディスプレイ又は液晶ディスプレイ等の表示装置、又は、スピーカ等が含まれる。
【0050】
情報処理サーバ１０は、プロセッサ１１と、記憶部１２と、を備える。記憶部１２は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等のワークメモリの他、例えばハードディスク又はフラッシュメモリ等の非一時的な記憶媒体を含んで構成される。記憶部１２には、情報処理サーバ１０が情報処理方法を実行するための情報処理プログラムが記憶される。
【0051】
プロセッサ１１は、ソフトウエア（プログラム）を実行して各種機能を果たす汎用的なプロセッサであるＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＰＬＤ）、又は、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等である。プロセッサ１１は、１つのプロセッサで構成されてもよいし、同種または異種の２つ以上のプロセッサの組み合せ（例えば、複数のＦＰＧＡや、ＣＰＵとＦＰＧＡの組み合わせ）で構成されてもよい。プロセッサ１１のハードウエア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路（ｃｉｒｃｕｉｔｒｙ）である。プロセッサ１１が複数のプロセッサで構成される場合、この複数のプロセッサの設置場所は同じ装置内である必要はなく、ネットワーク３０を介して分散配置された複数の装置のそれぞれに設けられていてもよい。
【0052】
記憶部１２には、機械学習済みモデル１３が記憶されている。機械学習済みモデル１３は、プログラムにより構成された学習モデルに、教師データを用いて機械学習を実行させることで生成されたものである。機械学習済みモデル１３は、情報処理サーバ１０のプロセッサ１１によって生成されてもよいし、情報処理サーバ１０とは別のコンピュータのプロセッサによって生成されてもよい。以下では、プロセッサ１１が機械学習済みモデル１３を生成するものとして、機械学習済みモデル１３の生成方法について説明する。
【0053】
（機械学習済みモデルの生成方法）
図３は、機械学習済みモデルの生成方法を説明するためのフローチャートである。
プロセッサ１１は、測定データ管理サーバ２０から、上述したサンプルデータ群を取得する（ステップＳ１）。次に、プロセッサ１１は、取得したサンプルデータ群の各測定データにおける期間Ｔ１のデータに基づいて、この期間Ｔ１における血圧値の測定実績に関する測定関連情報（換言すると、測定実績の特徴を示す情報）を導出する（ステップＳ２）。
図３は、機械学習済みモデルの生成方法を説明するためのフローチャートである。
プロセッサ１１は、測定データ管理サーバ２０から、上述したサンプルデータ群を取得する（ステップＳ１）。次に、プロセッサ１１は、取得したサンプルデータ群の各測定データにおける期間Ｔ１のデータに基づいて、この期間Ｔ１における血圧値の測定実績に関する測定関連情報（換言すると、測定実績の特徴を示す情報）を導出する（ステップＳ２）。
【0054】
測定関連情報には、例えば、期間Ｔ１中の測定値の特徴を示す第１情報、又は、期間Ｔ１中の測定タイミングの分布の特徴を示す第２情報等が含まれる。
【0055】
第１情報は、例えば、期間Ｔ１における血圧値の代表値である。代表値とは、期間Ｔ１に測定された血圧値の平均値、期間Ｔ１に測定された血圧値のうちの最小と最大を除いたものの平均値、又は、期間Ｔ１に測定された血圧値の中央値等である。
【0056】
他の例として、第１情報は、期間Ｔ１における血圧値の変動傾向を示す情報である。変動傾向を示す情報とは、例えば、図２に示した測定データＤ１の期間Ｔ１における血圧値の時系列変化を示す直線Ｌ１を最小二乗法等で導出したときのその直線Ｌ１の傾きである。第１情報は、期間Ｔ１における血圧値の変化が分かる図２に示すグラフの画像としてもよい。
【0057】
第２情報は、例えば、期間Ｔ１のうち、期間Ｔ２に近い期間において測定回数が少なくなっているか否かを示す情報である。第２情報は、例えば、期間Ｔ１を複数のグループに分割し、この複数のグループのうちの期間Ｔ２に最も近いグループ（期間Ｔ１の最終日から既定時間前までの期間）における血圧値の測定回数を用いることができる。他の例として、第２情報は、期間Ｔ１において最後に血圧値が測定された日時から期間Ｔ１の終了日までの経過時間を用いることができる。
【0058】
次に、プロセッサ１１は、取得したサンプルデータ群の各測定データにおける期間Ｔ２のデータに基づいて、この期間Ｔ２においてユーザが血圧値の測定を継続したか否かを示す測定継続情報を導出する（ステップＳ３）。ユーザが血圧値の測定を継続するとは、期間Ｔ２における血圧値の測定回数が所定値（一例として３回）以上となることを言う。測定継続情報は、期間Ｔ２における血圧値の測定回数が所定値以上であれば、継続したことを示す情報（例えば“１”や“Ｔｒｕｅ”）となり、期間Ｔ２における血圧値の測定回数が所定値未満であれば、継続しなかったことを示す情報（例えば“０”や“Ｆａｌｓｅ”）となる。
【0059】
プロセッサ１１は、各測定データに基づいて導出した測定関連情報及び測定継続情報を、教師データのデータセットとし、これら複数のデータセットに基づく機械学習を学習モデルに実行させて、機械学習済みモデル１３を生成する。
【0060】
機械学習済みモデル１３は、血圧計によってユーザに対して行われた所定期間（期間Ｔ１と同じ長さの期間）分の血圧値の測定実績に関する測定関連情報が入力されると、当該所定期間よりも後の未来の期間（期間Ｔ２と同じ長さの期間）において当該ユーザが血圧値を継続して測定する可能性の大きさを示す測定傾向情報を出力するように、各種パラメータを学習したものである。測定傾向情報は、好ましくは、上記未来の期間においてユーザが血圧値を継続して測定する確率（又は継続して測定しない確率）を示す情報である。
【0061】
このように、機械学習済みモデル１３は、膨大な量の測定関連情報とそれに対応する測定継続情報に基づいて、特定のユーザの過去の測定データから得られた測定関連情報に対して、そのユーザが未来の期間において測定を継続する確率を推測して出力するように、機械学習がなされたモデルとなっている。機械学習の方法としては、特に限定されるものではなく、例えば、ロジスティック回帰、決定木、ランダムフォレスト、勾配ブースティング決定木、ニューラルネットワーク等の任意の手法を用いることができる。
【0062】
過去に取得された膨大な量の測定データを統計的に分析した結果によれば、期間Ｔ１において血圧値が高い傾向にあるユーザ（血圧値の代表値が大きいユーザ）は、その後の期間Ｔ２において、血圧値の測定を継続しなくなる傾向にある。これは、継続的に測定している血圧値が高い状態にあることで、測定継続に対するモチベーションが低下することが要因と言える。また、上記結果によれば、期間Ｔ１において血圧値が上昇傾向にあるユーザは、その後の期間Ｔ２において、血圧値の測定を継続しなくなる傾向にある。これは、継続的に測定している血圧値が改善せずに悪化傾向にあることで、ユーザの測定継続に対するモチベーションが低下することが要因と言える。
【0063】
また、上記結果によれば、期間Ｔ１における期間Ｔ２に近い期間（例えば期間Ｔ１を前半と後半に分けたときの後半の期間）において、測定回数が少ないユーザは、その後の期間Ｔ２において、血圧値の測定を継続しなくなる傾向がある。また、上記結果によれば、期間Ｔ１における最後の測定タイミングから期間Ｔ１の終わりまでの時間が長いユーザ（直近でしばらく測定を行っていないユーザ）は、その後の期間Ｔ２において、血圧値の測定を継続しなくなる傾向にある。なお、これらの考えは、体重や血糖値等の他の生体情報についても同様のことが言える。
【0064】
したがって、測定関連情報及び測定継続情報のセットを機械学習させることで、特定のユーザの測定データから求められた測定関連情報から、そのユーザが未来の期間において血圧値の測定を継続する可能性を推測するモデルを生成することが可能となる。
【0065】
（機械学習済みモデルの利用）
プロセッサ１１は、このようにして生成した機械学習済みモデル１３を用いて、期間Ｔ１と同じ長さの期間Ｔ３分の測定データしか取得できていないユーザが、期間Ｔ３よりも後の未来の期間（期間Ｔ２と同じ長さの期間）において、血圧値の測定を継続する可能性の大きさがどの程度となるかを推測し、その推測結果に基づく処理を行う。
プロセッサ１１は、このようにして生成した機械学習済みモデル１３を用いて、期間Ｔ１と同じ長さの期間Ｔ３分の測定データしか取得できていないユーザが、期間Ｔ３よりも後の未来の期間（期間Ｔ２と同じ長さの期間）において、血圧値の測定を継続する可能性の大きさがどの程度となるかを推測し、その推測結果に基づく処理を行う。
【0066】
例えば、図４に示すように、期間Ｔ３分の測定データＤＸが得られている特定のユーザＸが、期間Ｔ３より後の未来の期間において測定を継続するかどうかを、医療従事者が知りたい場合を想定する。医療従事者は、施設端末４０を操作して、期間Ｔ３の最終日の時点でユーザＸの測定データＤＸを読み込み、この測定データＤＸを情報処理サーバ１０に送信して、この最終日よりも後の未来の期間におけるユーザＸの測定継続確率の推測の依頼を行う。
【0067】
情報処理サーバ１０のプロセッサ１１は、測定データＤＸを受信すると、この測定データＤＸに基づいて、期間Ｔ３の測定実績に関する測定関連情報を導出する。例えば、プロセッサ１１は、測定データＤＸの期間Ｔ３における血圧値の代表値（平均値又は中央値等）を測定関連情報として導出する。なお、測定データＤＸに基づく測定関連情報の導出は、施設端末４０のプロセッサが行う構成であってもよい。この場合には、施設端末４０のプロセッサは、導出した測定関連情報を情報処理サーバ１０に送信して、測定継続確率の推測の依頼を行う。
【0068】
次に、プロセッサ１１は、プロセッサ１１自体が導出した測定関連情報、又は、施設端末４０から受信した測定関連情報を機械学習済みモデル１３に入力し、ユーザＸが期間Ｔ３の後の未来の期間において血圧値の測定を継続する可能性の大きさを示す測定傾向情報（好ましくは確率の情報）を、機械学習済みモデル１３から取得する。
【0069】
プロセッサ１１は、この測定傾向情報を取得すると、この測定傾向情報を施設端末４０の表示装置に表示させたり、施設端末４０のスピーカから音声で出力させたりする処理を行う。プロセッサ１１は、この測定傾向情報を電子メール等の形で施設端末４０に送信してもよい。
【0070】
医療従事者は、例えば施設端末４０の表示装置に表示された測定傾向情報を見ることで、今後、ユーザＸが血圧値の測定を継続する傾向にあるのかどうかを判断できる。例えば、医療従事者は、測定傾向情報（測定継続する確率）が低い場合には、ユーザＸに対して、血圧値の測定を促す介入（ユーザＸの所持するユーザ端末５０にインストールされているアプリを利用した通知、電子メールの送信、又は電話等）を積極的に行う。これにより、ユーザＸが血圧値を継続して測定する可能性を高めることができる。こういった介入が適切に実行できることにより、ユーザＸ自身の健康意識の向上や、ユーザＸの血圧値の変化を詳細に判断できることによる診断精度の向上等が期待でき、ユーザＸの健康増進に寄与できる。
【0071】
なお、機械学習済みモデル１３を生成するためのサンプルデータ群の各測定データは、測定日時と測定値を含むものとしたが、機械学習済みモデル１３に入力する測定関連情報として第２情報（測定タイミングの分布の特徴を示す情報）を用いる場合には、この各測定データには、少なくとも測定日時が含まれていればよく、測定値は含まれなくてもよい。
【0072】
（機械学習済みモデルの変形例）
機械学習済みモデル１３は、測定関連情報及び測定実績情報を教師データとして機械学習して得られるものとしたが、この教師データに測定者情報を更に含めて機械学習を実行させてもよい。測定者情報とは、サンプルデータ群の各測定データの測定元のユーザの生活状況に関する情報である。測定者情報は、例えば、期間Ｔ１においてユーザが最後に通院したタイミングの情報、ユーザの同居人の有無の情報、又は、ユーザの罹患している病名の情報等である。この場合、測定データ管理サーバ２０によってデータベースに記憶されるサンプルデータ群の各測定データには、各測定データの取得元のユーザの生活状況に関する測定者情報が更に追加される。
機械学習済みモデル１３は、測定関連情報及び測定実績情報を教師データとして機械学習して得られるものとしたが、この教師データに測定者情報を更に含めて機械学習を実行させてもよい。測定者情報とは、サンプルデータ群の各測定データの測定元のユーザの生活状況に関する情報である。測定者情報は、例えば、期間Ｔ１においてユーザが最後に通院したタイミングの情報、ユーザの同居人の有無の情報、又は、ユーザの罹患している病名の情報等である。この場合、測定データ管理サーバ２０によってデータベースに記憶されるサンプルデータ群の各測定データには、各測定データの取得元のユーザの生活状況に関する測定者情報が更に追加される。
【0073】
そして、プロセッサ１１は、サンプルデータ群の各測定データに含まれる測定者情報と、この各測定データから求めた測定関連情報とを組み合わせた情報を教師データとし、この各測定データから求めた測定継続情報を教師データとし、この教師データのセットに基づいて学習プログラムに機械学習を実行させて、機械学習済みモデル１３を生成する。これにより、測定者情報及び測定関連情報のセットが入力されたときに、このセットに対応するユーザが未来の期間において測定を継続する可能性の大きさを示す測定傾向情報を出力する機械学習済みモデル１３を生成することができる。
【0074】
このように、ユーザの測定者情報を更に利用することで、そのユーザが未来の期間において生体情報の測定を継続するかどうかの推測をより高精度に行うことができる。例えば、期間Ｔ１において通院したことのあるユーザと、期間Ｔ１において通院していないユーザとでは、前者の方が健康意識は高まっているため、測定を継続する可能性は高い。また、同居人がいるユーザと、同居人がいないユーザとでは、測定忘れ等を指摘する人の存在する前者の方が、測定を継続する可能性は高い。このような生活状況による測定継続の傾向を学習することで、ユーザが測定継続する可能性の大きさを精度よく推測することができる。
【0075】
なお、上述した測定者情報の代わりに、ユーザが生体情報の測定に用いている生体情報測定装置の機種情報を用いてもよい。生体情報測定装置の使い勝手（通信のしやすさや測定のしやすさ等）によっても、測定継続の傾向は変化し得る。このため、このような使用機種による傾向を学習することで、ユーザが測定継続する可能性の大きさをより精度よく推測することができる。
【0076】
（管理システムの第一変形例）
図５は、管理システム１００の変形例を示す図である。図５に示す管理システム１００では、記憶部１２に記憶される機械学習済みモデルが、機械学習済みモデル１３Ａと機械学習済みモデル１３Ｂの２つに変更された点が図１と相違する。
図５は、管理システム１００の変形例を示す図である。図５に示す管理システム１００では、記憶部１２に記憶される機械学習済みモデルが、機械学習済みモデル１３Ａと機械学習済みモデル１３Ｂの２つに変更された点が図１と相違する。
【0077】
図５に示す管理システム１００では、測定データ管理サーバ２０によってデータベースに記憶されるサンプルデータ群として、期間Ｔ２において血圧の測定を促す介入が行われたユーザの測定データからなる介入ありサンプルデータ群と、期間Ｔ２において血圧の測定を促す介入が行われていないユーザの測定データからなる介入なしサンプルデータ群と、が存在する。介入ありサンプルデータ群の各測定データには、介入ありを示す情報（例えば“１”）が関連付けられる。介入なしサンプルデータ群の各測定データには、介入なしを示す情報（例えば“０”）が関連付けられる。
【0078】
機械学習済みモデル１３Ａは、介入ありサンプルデータ群の各測定データに基づいて生成された測定関連情報及び測定継続情報の教師データセットを機械学習することで生成されたモデルであり、第１モデルを構成する。
【0079】
機械学習済みモデル１３Ｂは、介入なしサンプルデータ群の各測定データに基づいて生成された測定関連情報及び測定継続情報の教師データセットを機械学習することで生成されたモデルであり、第２モデルを構成する。
【0080】
図５に示す管理システム１００では、プロセッサ１１は、例えば、図４に示すユーザＸの測定データＤＸに基づいて導出した測定関連情報を、機械学習済みモデル１３Ａと機械学習済みモデル１３Ｂのそれぞれに入力し、機械学習済みモデル１３Ａと機械学習済みモデル１３Ｂのそれぞれから出力された測定傾向情報に基づく処理を行う。
【0081】
例えば、プロセッサ１１は、機械学習済みモデル１３Ａと機械学習済みモデル１３Ｂのそれぞれから出力された測定傾向情報を併せて施設端末４０の表示装置に表示させたり、これら２つの測定傾向情報（確率）の差を、介入を実施することによる効果として、施設端末４０の表示装置に表示させたりする。具体的には、「ユーザＸは、今後の測定の継続確率は３０％ですが、介入を行うことで、その確率を６０％まで引き上げることが可能です」といったメッセージを表示装置に表示させる。このように、介入による効果が明示されることで、医療従事者は、ユーザＸに対して介入すべきかどうかの判断を迷わずにすむようになる。
【0082】
なお、記憶部１２には、機械学習済みモデル１３Ａとして、介入を行った時間帯の異なる複数種類を用意して記憶しておいてもよい。例えば、機械学習済みモデル１３Ａとして、午前（例えば９時から１２時）に介入が行われたユーザのサンプルデータ群の各測定データに基づいて生成された測定関連情報及び測定継続情報の教師データセットを機械学習することで生成された午前介入モデルと、午後（例えば１２時から１７時）に介入が行われたユーザのサンプルデータ群の各測定データに基づいて生成された測定関連情報及び測定継続情報の教師データセットを機械学習することで生成された午後介入モデルと、を生成しておく。
【0083】
そして、プロセッサ１１は、例えば、図４に示すユーザＸの測定データＤＸに基づいて導出した測定関連情報を、機械学習済みモデル１３Ａのうちの午前介入モデルと、機械学習済みモデル１３Ａのうちの午後介入モデルと、機械学習済みモデル１３Ｂのそれぞれに入力し、各モデルから出力された測定傾向情報に基づく処理（例えば図６に示す画面Ｇ１を表示する処理）を行う。この処理によって、介入の有無による測定継続の確率の変化だけでなく、介入を行う場合に、午前に介入したときと午後に介入したときとでどちらの方が、確率が上がるのかといったことも分かるようになる。例えば最も効果が高まる時間帯（図６の例では午前）においてユーザに介入することで、ユーザが血圧測定を継続する可能性をより高めることができる。
【0084】
また、記憶部１２には、機械学習済みモデル１３Ａとして、介入内容の異なる複数種類を用意して記憶しておいてもよい。例えば、機械学習済みモデル１３Ａとして、電話による介入が行われたユーザのサンプルデータ群の各測定データに基づいて生成された測定関連情報及び測定継続情報の教師データセットを機械学習することで生成された電話介入モデルと、アプリの通知による介入が行われたユーザのサンプルデータ群の各測定データに基づいて生成された測定関連情報及び測定継続情報の教師データセットを機械学習することで生成されたアプリ介入モデルと、を生成する。
【0085】
そして、プロセッサ１１は、例えば、図４に示すユーザＸの測定データＤＸに基づいて導出した測定関連情報を、機械学習済みモデル１３Ａのうちの電話介入モデルと、機械学習済みモデル１３Ａのうちのアプリ介入モデルと、機械学習済みモデル１３Ｂのそれぞれに入力し、各モデルから出力された測定傾向情報に基づく処理（例えば図７に示す画面Ｇ２を表示する処理）を行う。この処理によって、介入の有無による継続確率の変化だけでなく、介入を行う場合に、その介入の内容によって確率がどのように変化するかも分かるようになる。例えば最も効果が高まる内容（図７の例では電話）でユーザに介入することで、ユーザが血圧測定を継続する可能性をより高めることができる。なお、介入内容としては、介入時にユーザに伝えたメッセージの内容を含めてもよい。
【0086】
（管理システムの第二変形例）
機械学習済みモデル１３Ａと機械学習済みモデル１３Ｂは、１つの機械学習済みモデル（１３Ｃと記載する）で実現することもできる。つまり、機械学習済みモデル１３Ｃは、サンプルデータ群の各測定データに基づいて生成された測定関連情報及び当該測定データに関連付けられた介入の有無を示す介入情報と当該測定データに基づいて生成された測定継続情報との教師データセットを機械学習することで生成されたモデルとすればよい。
機械学習済みモデル１３Ａと機械学習済みモデル１３Ｂは、１つの機械学習済みモデル（１３Ｃと記載する）で実現することもできる。つまり、機械学習済みモデル１３Ｃは、サンプルデータ群の各測定データに基づいて生成された測定関連情報及び当該測定データに関連付けられた介入の有無を示す介入情報と当該測定データに基づいて生成された測定継続情報との教師データセットを機械学習することで生成されたモデルとすればよい。
【0087】
プロセッサ１１は、例えば、図４に示すユーザＸの測定データＤＸに基づいて測定関連情報を導出し、その測定関連情報と介入ありを示す情報とを機械学習済みモデル１３Ｃに入力して、機械学習済みモデル１３Ｃから出力された第１測定傾向情報（将来介入した場合の測定継続傾向）を取得し、その測定関連情報と介入なしを示す情報とを機械学習済みモデル１３Ｃに入力して、機械学習済みモデル１３Ｃから出力された第２測定傾向情報（将来介入しない場合の測定継続傾向）を取得し、第１測定傾向情報及び第２測定傾向情報に基づく処理を行う。
【0088】
例えば、プロセッサ１１は、第１測定傾向情報及び第２測定傾向情報を併せて施設端末４０の表示装置に表示させたり（図６、７の上図参照）、これら第１測定傾向情報及び第２測定傾向情報（確率）の差を、介入を実施することによる効果として、施設端末４０の表示装置に表示させたりする。
【0089】
この第二変形例で用いる教師データセットにおける介入情報のうち、介入ありの情報には、更に、介入を行った時間帯の情報（以下、介入時間帯情報と記載）が付加されていてもよい。
【0090】
この場合、プロセッサ１１は、例えば、図４に示すユーザＸの測定データＤＸに基づいて測定関連情報を導出し、その測定関連情報と午前に介入ありを示す情報とを機械学習済みモデル１３Ｃに入力して、機械学習済みモデル１３Ｃから出力された第３測定傾向情報（将来、午前に介入を行う場合の測定傾向）を取得し、その測定関連情報と午後に介入ありを示す情報とを機械学習済みモデル１３Ｃに入力して、機械学習済みモデル１３Ｃから出力された第４測定傾向情報（将来、午後に介入を行う場合の測定傾向）を取得し、第３測定傾向情報及び第４測定傾向情報に基づく処理を行う。
【0091】
例えば、プロセッサ１１は、第３測定傾向情報及び第４測定傾向情報を併せて施設端末４０の表示装置に表示させたり（図６の下図参照）、これら第３測定傾向情報及び第４測定傾向情報（確率）の差を、介入の時間帯の違いによる効果として、施設端末４０の表示装置に表示させたりする。
【0092】
また、上述した介入時間帯情報に代えて、実施した介入の内容の情報（介入内容情報）を用いてもよい。この場合、プロセッサ１１は、例えば、図４に示すユーザＸの測定データＤＸに基づいて測定関連情報を導出し、その測定関連情報と特定の介入内容を示す情報とを機械学習済みモデル１３Ｃに入力する処理を、介入内容を変えて、複数回行う。プロセッサ１１は、これら複数回の処理で機械学習済みモデル１３Ｃから出力された複数の測定傾向情報（将来介入を実施する場合の介入内容毎の測定傾向）を取得し、この複数の測定傾向情報に基づく処理を行う。
【0093】
例えば、プロセッサ１１は、複数の測定傾向情報を併せて施設端末４０の表示装置に表示させたり（図７の下図参照）、これら複数の測定傾向情報（確率）の差を、介入内容の違いによる効果として、施設端末４０の表示装置に表示させたりする。
【0094】
ここまでの説明では、プロセッサ１１が、機械学習済みモデルを用いて、測定関連情報から測定傾向情報を導出するものとした。しかし、測定関連情報と測定傾向情報との対応を記憶したテーブルを生成して記憶部１２に記憶しておき、プロセッサ１１が、ユーザＸの測定データに基づいて導出した測定関連情報とこのテーブルとに基づいて、ユーザＸの未来の測定傾向情報を導出するようにしてもよい。
【0095】
例えば、サンプルデータ群の測定データを、期間Ｔ１における血圧値の代表値の大きさで複数にグループ分けし、各グループに属する測定データに対応した測定継続情報から、各グループにおいて、（測定を継続したユーザの数／グループ内のユーザの総数）を継続確率として求める。このようにして求めた継続確率とグループとを対応付けて、上記テーブルを生成すればよい。プロセッサ１１は、ユーザＸの測定関連情報を取得すると、その測定関連情報が属するグループを特定し、特定したグループに対応する継続確率を上記テーブルから取得すればよい。前述してきたように機械学習済みモデルを用いる場合には、サンプルデータが蓄積される毎に、機械学習を行って、モデルによる継続確率の推測精度を高めることができる。このため、機械学習済みモデルを用いることがより好ましい。
【符号の説明】
【0096】
Ｄ１ 測定データ
Ｔ１，Ｔ２，Ｔ３ 期間
Ｌ１ 直線
１０ 情報処理サーバ
１１ プロセッサ
１２ 記憶部
１３，１３Ａ，１３Ｂ 機械学習済みモデル
２０ 測定データ管理サーバ
３０ ネットワーク
４０ 施設端末
５０ ユーザ端末
１００ 管理システム
Ｔ１，Ｔ２，Ｔ３ 期間
Ｌ１ 直線
１０ 情報処理サーバ
１１ プロセッサ
１２ 記憶部
１３，１３Ａ，１３Ｂ 機械学習済みモデル
２０ 測定データ管理サーバ
３０ ネットワーク
４０ 施設端末
５０ ユーザ端末
１００ 管理システム
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】