特開 2024-47309 プログラム、情報処理方法、情報処理装置及びモデル生成方法

(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】P2024047309

(43)【公開日】2024-04-05

(54)【発明の名称】プログラム、情報処理方法、情報処理装置及びモデル生成方法

(51)【国際特許分類】

   G16H 50/00 20180101AFI20240329BHJP

【ＦＩ】

G16H50/00

【審査請求】未請求

【請求項の数】12

【出願形態】ＯＬ

(21)【出願番号】P 2022152856

(22)【出願日】2022-09-26

(71)【出願人】

【識別番号】000109543

【氏名又は名称】テルモ株式会社

(74)【代理人】

【識別番号】100114557

【弁理士】

【氏名又は名称】河野 英仁

(74)【代理人】

【識別番号】100078868

【弁理士】

【氏名又は名称】河野 登夫

(72)【発明者】

【氏名】谷口 泰代

(72)【発明者】

【氏名】川本 英二

【テーマコード（参考）】

5L099

【Ｆターム（参考）】

5L099AA04

(57)【要約】

【課題】患者の症状から低栄養状態であるか否かを早期に発見することが可能なプログラム等を提供する。
【解決手段】コンピュータは、低栄養状態の判断の際に患者に対して行われた検査の結果を含む前記患者の症状に関する症状情報を取得する。そして、コンピュータは、患者の前記症状情報を入力した場合に前記患者が低栄養状態であるか否かに関する情報を出力するように学習された学習モデルに、取得した症状情報を入力して、前記患者が低栄養状態であるか否かに関する情報を出力する。
【選択図】図１

【特許請求の範囲】

【請求項1】

低栄養状態の判断の際に患者に対して行われた検査の結果を含む前記患者の症状に関する症状情報を取得し、
患者の前記症状情報を入力した場合に前記患者が低栄養状態であるか否かに関する情報を出力するように学習された学習モデルに、取得した前記症状情報を入力して、前記患者が低栄養状態であるか否かに関する情報を出力する
処理をコンピュータに実行させるプログラム。

【請求項2】

前記患者が低栄養状態であるか否かに関する情報を、前記患者に対応付けてある端末へ出力する
処理を前記コンピュータに実行させる請求項１に記載のプログラム。

【請求項3】

前記症状情報は、前記患者の自覚症状に関する情報を含む
請求項１又は２に記載のプログラム。

【請求項4】

前記症状情報は、前記患者の身体機能に関する症状の情報、体重減少に関する症状の情報、認知機能に関する症状の情報、うつ症状に関する症状の情報、易転倒性に関する症状の情報、栄養状態に関する症状の情報、慢性疾患に関する情報、ＳＡＲＣ－Ｆのスクリーニング結果、下腿周囲径、握力、６ｍ歩行テストの結果、及び、骨格筋量のうちの少なくとも１つを含む
請求項１又は２に記載のプログラム。

【請求項5】

前記症状情報は、ＣＯＮＵＴ（Controlling Nutrition Status）、ＭＮＡ（Mini Nutritional Assessment）、ＳＧＡ（Subjective Global Assessment）、及び、ＧＬＩＭ（Global Leadership Initiative on Malnutrition）基準の少なくとも１つの栄養スクリーニングツールで算出されたスコアを含む
請求項１又は２に記載のプログラム。

【請求項6】

前記学習モデルは、前記患者の症状情報に係る時系列データを入力した場合に前記患者が低栄養状態であるか否かに関する情報を出力するように学習してある
請求項１又は２に記載のプログラム。

【請求項7】

前記学習モデルは、サルコペニアの発症の有無、又は、サルコペニアの発症リスクを示す情報を出力するように学習してある
請求項１又は２に記載のプログラム。

【請求項8】

前記学習モデルから前記患者が低栄養状態であることを示す情報が出力された場合、医療機関の受診を勧めるメッセージを出力する
処理を前記コンピュータに実行させる請求項１又は２に記載のプログラム。

【請求項9】

前記学習モデルから前記患者が低栄養状態であることを示す情報が出力された場合、前記患者の症状情報を医療機関の端末へ出力する
処理を前記コンピュータに実行させる請求項１又は２に記載のプログラム。

【請求項10】

低栄養状態の判断の際に患者に対して行われた検査の結果を含む前記患者の症状に関する症状情報を取得し、
患者の前記症状情報を入力した場合に前記患者が低栄養状態であるか否かに関する情報を出力するように学習された学習モデルに、取得した前記症状情報を入力して、前記患者が低栄養状態であるか否かに関する情報を出力する
処理をコンピュータが実行する情報処理方法。

【請求項11】

低栄養状態の判断の際に患者に対して行われた検査の結果を含む前記患者の症状に関する症状情報を取得する取得部と、
患者の前記症状情報を入力した場合に前記患者が低栄養状態であるか否かに関する情報を出力するように学習された学習モデルに、取得した前記症状情報を入力して、前記患者が低栄養状態であるか否かに関する情報を出力する出力部と
を備える情報処理装置。

【請求項12】

低栄養状態の判断の際に患者に対して行われた検査の結果を含む前記患者の症状に関する症状情報と、前記患者が低栄養状態であるか否かに関する情報とを含む訓練データを取得し、
取得した訓練データを用いて、前記患者の症状情報が入力された場合に、前記患者が低栄養状態であるか否かに関する情報を出力する学習モデルを生成する
処理をコンピュータが実行するモデル生成方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、プログラム、情報処理方法、情報処理装置及びモデル生成方法に関する。

【背景技術】

【0002】

特許文献１では、健康予測モデルを用いて被験者の購買履歴から被験者の健康症状の程度を予測する技術が開示されている。特許文献１に開示された技術では、所定の疾病だけでなく、疾病には該当しないが日常生活に支障を来す症状を伴う障害を予測し、対象者に注意喚起を行うことができる。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特許第７０４８７９６号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

高齢者等において、健康的に生きるために必要な量の栄養素やエネルギーが取れていない低栄養状態が、「サルコペニア」「ロコモティブシンドローム」「フレイル」と呼ばれる症状につながることが知られている。「サルコペニア」は、加齢等に伴い全身の筋肉量が減少し、筋力が低下した状態であり、ＩＣＤ（International Statistical Classification of Diseases and Related Health Problems）において疾病に分類されている。「ロコモティブシンドローム」は、筋肉、骨、関節、軟骨等の運動器の障害により、日常生活の動作に支障を来す状態であり、「フレイル」は、体重の減少及び筋力の低下等の身体的な変化に加えて気力の低下等の精神的な変化が生じている状態である。これらの症状は、要介護状態となるリスクが高いことが知られており、軽症のうちに、又は、これらの症状に至る前に、低栄養状態であることを早期に発見することが重要と考えられている。しかし、低栄養状態であることを早期にかつ正確に判断することは難しい。特許文献１では、低栄養状態の予測については言及されていない。

【0005】

一つの側面では、患者の症状から低栄養状態であるか否かを早期に発見することが可能なプログラム等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】

本開示は、（１）低栄養状態の判断の際に患者に対して行われた検査の結果を含む前記患者の症状に関する症状情報を取得し、
患者の前記症状情報を入力した場合に前記患者が低栄養状態であるか否かに関する情報を出力するように学習された学習モデルに、取得した前記症状情報を入力して、前記患者が低栄養状態であるか否かに関する情報を出力する
処理をコンピュータに実行させるプログラムである。

【0007】

ここで、本開示の実施形態において、
（２）上記（１）のプログラムは、
前記患者が低栄養状態であるか否かに関する情報を、前記患者に対応付けてある端末へ出力する
処理を更に前記コンピュータに実行させることが好ましい。

【0008】

（３）上記（１）又は（２）のプログラムにおいて、
前記症状情報は、前記患者の自覚症状に関する情報を含むことが好ましい。

【0009】

（４）上記（１）～（３）のいずれか１つに記載のプログラムにおいて、
前記症状情報は、前記患者の身体機能に関する症状の情報、体重減少に関する症状の情報、認知機能に関する症状の情報、うつ症状に関する症状の情報、易転倒性に関する症状の情報、栄養状態に関する症状の情報、慢性疾患に関する情報、ＳＡＲＣ－Ｆのスクリーニング結果、下腿周囲径、握力、６ｍ歩行テストの結果、及び、骨格筋量のうちの少なくとも１つを含むことが好ましい。

【0010】

（５）上記（１）～（４）のいずれか１つに記載のプログラムにおいて、
前記症状情報は、ＣＯＮＵＴ（Controlling Nutrition Status）、ＭＮＡ（Mini Nutritional Assessment）、ＳＧＡ（Subjective Global Assessment）、及び、ＧＬＩＭ（Global Leadership Initiative on Malnutrition）基準の少なくとも１つの栄養スクリーニングツールで算出されたスコアを含むことが好ましい。

【0011】

（６）上記（１）～（５）のいずれか１つに記載のプログラムにおいて、
前記学習モデルは、前記患者の症状情報に係る時系列データを入力した場合に前記患者が低栄養状態であるか否かに関する情報を出力するように学習してあることが好ましい。

【0012】

（７）上記（１）～（６）のいずれか１つに記載のプログラムにおいて、
前記学習モデルは、サルコペニアの発症の有無、又は、サルコペニアの発症リスクを示す情報を出力するように学習してあることが好ましい。

【0013】

（８）上記（１）～（７）のいずれか１つに記載のプログラムは、
前記学習モデルから前記患者が低栄養状態であることを示す情報が出力された場合、医療機関の受診を勧めるメッセージを出力する
処理を更に前記コンピュータに実行させることが好ましい。

【0014】

（９）上記（１）～（８）のいずれか１つに記載のプログラムは、
前記学習モデルから前記患者が低栄養状態であることを示す情報が出力された場合、前記患者の症状情報を医療機関の端末へ出力する
処理を更に前記コンピュータに実行させることが好ましい。

【0015】

また、本開示は、（１０）低栄養状態の判断の際に患者に対して行われた検査の結果を含む前記患者の症状に関する症状情報を取得し、
患者の前記症状情報を入力した場合に前記患者が低栄養状態であるか否かに関する情報を出力するように学習された学習モデルに、取得した前記症状情報を入力して、前記患者が低栄養状態であるか否かに関する情報を出力する
処理をコンピュータが実行する情報処理方法である。

【0016】

また、本開示は、（１１）低栄養状態の判断の際に患者に対して行われた検査の結果を含む前記患者の症状に関する症状情報を取得する取得部と、
患者の前記症状情報を入力した場合に前記患者が低栄養状態であるか否かに関する情報を出力するように学習された学習モデルに、取得した前記症状情報を入力して、前記患者が低栄養状態であるか否かに関する情報を出力する出力部と
を備える情報処理装置である。

【0017】

また、本開示は、（１２）低栄養状態の判断の際に患者に対して行われた検査の結果を含む前記患者の症状に関する症状情報と、前記患者が低栄養状態であるか否かに関する情報とを含む訓練データを取得し、
取得した訓練データを用いて、前記患者の症状情報が入力された場合に、前記患者が低栄養状態であるか否かに関する情報を出力する学習モデルを生成する
処理をコンピュータが実行するモデル生成方法である。

【発明の効果】

【0018】

一つの側面では、患者の症状から低栄養状態であるか否かを早期に発見することができる。

【図面の簡単な説明】

【0019】

【図1】情報処理システムの構成例を示すブロック図である。

【図2】ユーザ端末の構成例を示すブロック図である。

【図3】電子カルテＤＢのレコードレイアウトの一例を示す説明図である。

【図4】学習モデルの構成例を示す説明図である。

【図5】学習モデルの生成処理手順の一例を示すフローチャートである。

【図6】サルコペニアの可能性の予測処理手順の一例を示すフローチャートである。

【図7】ユーザ端末の画面例を示す説明図である。

【図8】実施形態２の学習モデルの構成例を示す説明図である。

【発明を実施するための形態】

【0020】

以下、本開示のプログラム、情報処理方法、情報処理装置及びモデル生成方法について、その実施形態を示す図面に基づいて詳述する。

【0021】

（実施形態１）
患者の症状から、当該患者が低栄養状態であるか否かを予測して、患者本人、患者の家族及び介護者等、患者に関わる人に提示する情報処理システムについて説明する。本実施形態では、低栄養状態の１例として、患者がサルコペニアを発症しているか否か、及び、サルコペニアを発症するリスクが高いか否かを予測する。なお、低栄養状態としては、サルコペニアのほかに、フレイル又はロコモティブシンドロームについて、発症しているか否か、及び、発症するリスクが高いか否かを予測する構成でもよい。

【0022】

図１は情報処理システムの構成例を示すブロック図である。本実施形態の情報処理システムは、サーバ１０、電子カルテ用サーバ２０及びユーザ端末３０等を含み、各機器はネットワークＮを介して通信接続されている。ネットワークＮは、インターネットであってもよく、情報処理システムが設けられている医療機関等の施設内に構築されたＬＡＮ（Local Area Network）であってもよい。例えば、サーバ１０はＬＡＮを介して電子カルテ用サーバ２０と情報の送受信を行い、ユーザ端末３０はインターネットを介してサーバ１０と情報の送受信を行うように構成されていてもよい。サーバ１０及び電子カルテ用サーバ２０は、種々の情報処理及び情報の送受信が可能な情報処理装置であり、サーバコンピュータ、パーソナルコンピュータ等である。サーバ１０及び電子カルテ用サーバ２０はそれぞれ、複数のコンピュータからなるマルチコンピュータであってもよく、ソフトウェアによって１台の装置内に仮想的に構築された仮想マシンであってもよい。また、サーバ１０及び電子カルテ用サーバ２０は、医療機関内に設置されたローカルサーバであってもよく、インターネットを介して通信接続されたクラウドサーバであってもよい。ユーザ端末３０は、サーバ１０を利用して、患者の症状から当該患者が低栄養状態であるか否かの予測結果を取得するユーザが使用する情報端末である。ここでのユーザは、患者自身であってもよく、患者の家族又は介護者等であってもよい。ユーザ端末３０は、種々の情報処理及び情報の送受信が可能な情報処理装置であり、パーソナルコンピュータ、タブレット端末、スマートフォン等である。

【0023】

本実施形態では、電子カルテＤＢ２２ａを記憶する電子カルテ用サーバ２０によって電子カルテシステムを提供するが、サーバ１０に電子カルテＤＢ２２ａを記憶させ、サーバ１０が電子カルテシステムを提供する構成でもよい。即ち、サーバ１０及び電子カルテ用サーバ２０を１つのサーバで構成してもよい。サーバ１０は、患者の症状に関する症状情報に基づいて、当該患者がサルコペニアを発症しているか否かを予測し、予測結果を出力する処理を行う。具体的には後述のように、サーバ１０は、所定の訓練データを学習する機械学習を行い、症状情報を入力として、当該症状情報の患者がサルコペニアを発症しているか否かを示す情報を出力する学習モデル１２Ｍを予め用意してある。サーバ１０は、患者の症状情報を学習モデル１２Ｍに入力し、当該患者がサルコペニアを発症しているか否かを示す情報を学習モデル１２Ｍから取得する。なお、サーバ１０は、患者の症状情報をユーザ端末３０から取得し、予測した結果をユーザ端末３０へ出力する。

【0024】

サーバ１０は、制御部１１、記憶部１２、通信部１３、入力部１４、表示部１５、読み取り部１６等を含み、これらの各部はバスを介して相互に接続されている。制御部１１は、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）又はＡＩチップ（ＡＩ用半導体）等の１又は複数のプロセッサを有する。制御部１１は、記憶部１２に記憶してあるプログラム１２Ｐを適宜実行することにより、サーバ１０が行うべき種々の情報処理、制御処理等を行う。

【0025】

記憶部１２は、ＲＡＭ（Random Access Memory）、フラッシュメモリ、ハードディスク、ＳＳＤ（Solid State Drive）等を含む。記憶部１２は、制御部１１が実行するプログラム１２Ｐ（プログラム製品）及びプログラム１２Ｐの実行に必要な各種のデータ等を予め記憶している。また記憶部１２は、制御部１１がプログラム１２Ｐを実行する際に発生するデータ等を一時的に記憶する。また記憶部１２は、機械学習によって訓練データを学習済みの学習モデル１２Ｍを記憶している。学習モデル１２Ｍは、患者の症状情報が入力された場合に、当該患者がサルコペニアを発症しているか否かを示す情報（低栄養状態であるか否かに関する情報）を出力するように学習された学習済みモデルである。学習モデル１２Ｍは、人工知能ソフトウェアを構成するプログラムモジュールとしての利用が想定される。学習モデル１２Ｍは、入力値に対して所定の演算を行い、演算結果を出力するものであり、記憶部１２には、この演算を規定する関数の係数や閾値等のデータが学習モデル１２Ｍとして記憶される。

【0026】

通信部１３は、有線通信又は無線通信によってネットワークＮに接続するための通信モジュールであり、ネットワークＮを介して他の装置との間で情報の送受信を行う。入力部１４は、ユーザによる操作入力を受け付け、操作内容に対応した制御信号を制御部１１へ送出する。表示部１５は、液晶ディスプレイ又は有機ＥＬディスプレイ等であり、制御部１１からの指示に従って各種の情報を表示する。入力部１４及び表示部１５は一体として構成されたタッチパネルであってもよい。なお、入力部１４及び表示部１５は必須ではなく、サーバ１０は、接続された端末装置（例えば医療機関内のスタッフが使用する端末）を通じて操作を受け付け、表示すべき情報を外部の表示装置（例えば医療機関内のスタッフが使用する端末）へ出力する構成でもよい。

【0027】

読み取り部１６は、ＣＤ（Compact Disc）－ＲＯＭ、ＤＶＤ（Digital Versatile Disc）－ＲＯＭ、ＵＳＢ（Universal Serial Bus）メモリ、ＳＤ（Secure Digital）カード等を含む可搬型記憶媒体１０ａに記憶された情報を読み取る。記憶部１２に記憶されるプログラム１２Ｐ及び各種のデータは、制御部１１が読み取り部１６を介して可搬型記憶媒体１０ａから読み取って記憶部１２に記憶してもよい。また、記憶部１２に記憶されるプログラム１２Ｐ及び各種のデータは、制御部１１が通信部１３を介して他の装置からダウンロードして記憶部１２に記憶してもよい。

【0028】

上述した構成のサーバ１０において、プログラム１２Ｐは、単一のコンピュータ上で、又は１つのサイトにおいて配置されて実行されてもよく、もしくは複数のサイトにわたって分散され、ネットワークＮによって相互接続された複数のコンピュータ上で実行されるように展開することができる。

【0029】

電子カルテ用サーバ２０は、制御部２１、記憶部２２、通信部２３、入力部２４、表示部２５、読み取り部２６等を含み、これらの各部はバスを介して相互に接続されている。電子カルテ用サーバ２０の制御部２１、記憶部２２、通信部２３、入力部２４、表示部２５、読み取り部２６は、サーバ１０の制御部１１、記憶部１２、通信部１３、入力部１４、表示部１５、読み取り部１６と同様の構成であるので説明を省略する。なお、電子カルテ用サーバ２０の記憶部２２は、プログラム２２Ｐに加えて、後述する電子カルテＤＢ２２ａを記憶している。電子カルテＤＢ２２ａは、電子カルテ用サーバ２０に接続された他の記憶装置に記憶されてもよく、電子カルテ用サーバ２０が通信可能な他の記憶装置に記憶されてもよい。

【0030】

図２はユーザ端末３０の構成例を示すブロック図である。ユーザ端末３０は、制御部３１、記憶部３２、通信部３３、入力部３４、表示部３５等を含み、これらの各部はバスを介して相互に接続されている。ユーザ端末３０の制御部３１、記憶部３２、通信部３３、入力部３４、表示部３５は、サーバ１０の制御部１１、記憶部１２、通信部１３、入力部１４、表示部１５と同様の構成であるので説明を省略する。なお、ユーザ端末３０の記憶部３２は、プログラム３２Ｐに加えて、ユーザ（患者）がサルコペニアを発症しているか否か及び発症リスクを判定する処理を実現するためのサルコペニア判定アプリケーションプログラム３２ＡＰ（以下ではサルコペニア判定アプリ３２ＡＰという）を記憶している。サルコペニア判定アプリ３２ＡＰは、ユーザ端末３０の製造段階において記憶部３２に書き込まれてもよく、制御部３１が通信部３３を介して他の装置からダウンロードして記憶部３２に記憶してもよい。

【0031】

図３は電子カルテＤＢ２２ａのレコードレイアウトの一例を示す説明図である。電子カルテＤＢ２２ａは、医療機関を利用する患者の電子カルテデータ（診療記録）を格納するデータベースである。図３に示す電子カルテＤＢ２２ａは、患者ＩＤ列、患者情報列、症状情報列等を含む。患者ＩＤ列は、各患者を識別するための識別情報（患者ＩＤ、患者コード）を記憶する。患者ＩＤは例えば医療機関で発行された診察券の診察券番号であってもよい。患者情報列は、患者ＩＤに対応付けて、患者に関する患者情報を記憶する。患者情報は、例えば患者の年齢及び性別を含む属性情報、氏名及び連絡先を含む個人情報、診断名、既往歴、身長及び体重等を含む。症状情報列は、患者ＩＤに対応付けて、患者の症状に関する症状情報を記憶する。症状情報は、身体機能に関する情報、体重に関する情報、認知機能に関する情報、うつ症状に関する情報、易転倒性に関する情報、栄養状態に関する情報、慢性疾患に関する情報、ＳＡＲＣ－Ｆのスクリーニング結果、下腿周囲径、握力、６ｍ（メートル）歩行テストの結果、骨格筋量等を含み、これらの各情報は、診察日時、検査日時、診断日時等の日時に対応付けて各列に記憶される。

【0032】

症状情報に含まれる各情報はそれぞれ、医療従事者が患者から聞き取った情報（患者の自覚症状）、患者に対して行われた各種の検査の結果、聞き取った情報及び検査結果から医療従事者が判断（診断）した結果を含んでもよい。具体的には、身体機能に関する情報は、日常生活における活動量の低下、他者との交流の減少、疲れやすさの有無、食べ物が喉につかえやすい又は食べ物が飲み込み辛い等の嚥下機能障害の有無等、身体全体の機能の低下に関する情報を含む。体重に関する情報は、患者の体重、ＢＭＩ（Body Mass Index）等を含む。なお、体重に関する情報は、所定期間（例えば１カ月、３カ月、６カ月、１年等）での体重の減少量を含んでもよい。認知機能に関する情報は、物忘れの増加（記憶障害の増加）、失語の増加、失行の増加、失認の増加、遂行機能障害の増加等、認知機能の低下に関する情報を含む。なお、認知機能に関する情報は、ＨＤＳ－Ｒ（長谷川式簡易知能評価スケール）又はＭＭＳＥ（Mini-Mental State Examination）等の認知機能検査の結果を含んでもよい。うつ症状に関する情報は、うつ状態及びうつ病に関する患者の自覚症状、医療従事者による診断結果を含む。易転倒性に関する情報は、転倒しやすさの有無、所定期間（例えば１カ月）での転倒回数を含む。

【0033】

栄養状態に関する情報は、患者が普段食べている食事の内容又は摂取している栄養成分の摂取量、直近の所定期間（例えば１日、１週間等）に食べた食事の内容又は栄養成分の摂取量等を含む。また、栄養状態に関する情報は、患者が食べた食事を撮影した写真、当該写真から画像認識によって分析した食事の内容（料理の種類、使用されている食品及び食材の種類等）を含んでもよい。また、栄養状態に関する情報は、ＣＯＮＵＴ、ＭＮＡ、ＳＧＡ、ＧＬＩＭ基準等の栄養スクリーニングツールで算出されたスコアを含んでもよい。慢性疾患に関する情報は、高血圧症、糖尿病、高脂血症（脂質異常症）等に関する医療従事者による診断結果を含む。なお、慢性疾患に関する情報は、高血圧症、糖尿病、高脂血症等に関する患者の自覚症状を含んでもよい。

【0034】

ＳＡＲＣ－Ｆのスクリーニング結果は、ＳＡＲＣ－Ｆにおける各質問に対して患者が行った回答、各質問に対する回答に基づいて算出されたスコアを含む。下腿周囲径は、ふくらはぎの最も太い箇所の周囲径（周囲長）である。握力は、握力計を用いて計測される。なお、握力は、計測値に加えて、所定期間（例えば１カ月、３カ月、６カ月、１年等）での握力の低下量を含んでもよい。６ｍ歩行テストの結果は、６ｍを歩行するのに要する時間であり、所定期間での変化量（例えば増加量）を含んでもよい。骨格筋量は、患者の身体全体の筋肉量であり、ＩｎＢｏｄｙ（体成分分析装置）又はＤＸＡ（Dual-energy X-ray Absorptiometry：二重エネルギーＸ線吸収測定）装置等を用いて計測される。骨格筋量も、所定期間での変化量（例えば減少量）を含んでもよい。

【0035】

電子カルテＤＢ２２ａの記憶内容は図３に示す例に限定されない。例えば、患者から計測した体温、血圧、心拍数、呼吸数等のバイタルデータ、患者に実施した血液検査及び尿検査等の各種検査に関する検査情報、治療に関する治療情報、手術に関する手術情報、薬の服用歴、医師等が入力したコメント等、患者に関する各種の情報が記憶されてもよい。また、検査情報は、Ｘ線画像、超音波画像、ＣＴ（Computed Tomography：コンピュータ断層撮影法）画像、ＭＲＩ（Magnetic Resonance Imaging：磁気共鳴画像法）画像、ＰＥＴ（Positron Emission Tomography：陽電子放出断層撮影法）画像等の医用画像を含んでもよい。

【0036】

図４は学習モデル１２Ｍの構成例を示す説明図である。図４に示す学習モデル１２Ｍは、患者の症状情報を入力とし、入力された各情報に基づいて、当該患者がサルコペニアを発症しているか否か及びサルコペニアの発症リスクが高いか否かを予測する演算を行い、演算した結果を出力するように学習してある。学習モデル１２Ｍは、例えば深層学習によって生成されるニューラルネットワークモデルであるＣＮＮ（Convolutional Neural Network）で構成される。なお、学習モデル１２Ｍは、ＣＮＮのほかに、ＲＮＮ（Recurrent Neural Network）、ＬＳＴＭ（Long Short-Term Memory）、Transformer、決定木、ランダムフォレスト、ＳＶＭ（Support Vector Machine）等のアルゴリズムを用いて構成されてもよく、複数のアルゴリズムを組み合わせて構成されてもよい。サーバ１０は、所定の訓練データを学習する機械学習を行って学習モデル１２Ｍを事前に生成しておく。そしてサーバ１０は、ユーザ端末３０を介して入力された患者の症状情報を学習モデル１２Ｍに入力し、学習モデル１２Ｍからの出力情報に基づいて、患者がサルコペニアを発症しているか否か及びサルコペニアの発症リスクが高いか否かを予測する。本実施形態では、学習モデル１２Ｍに入力される各情報は、任意のタイミングで取得された情報とするが、定期的に取得された時系列データであってもよい。

【0037】

学習モデル１２Ｍは、入力層、中間層及び出力層を有する。入力層は、複数の入力ノードを有しており、各入力ノードには、それぞれ入力すべき情報が対応付けられている。学習モデル１２Ｍに入力される症状情報は、身体機能に関する情報、体重減少に関する情報、認知機能に関する情報、うつ症状に関する情報、易転倒性に関する情報、栄養状態に関する情報、慢性疾患に関する情報、ＳＡＲＣ－Ｆのスクリーニング結果、下腿周囲径、握力、６ｍ歩行テストの結果、骨格筋量を含み、各入力ノードに、各情報が対応付けられている。上述したような症状情報は、それぞれ対応付けられた入力ノードを介して学習モデル１２Ｍに入力される。

【0038】

身体機能に関する情報は、身体機能の低下度合を示す情報であり、例えば身体機能の低下に関して予め用意された項目のうちで患者に該当する項目の数（割合）を用いることができる。体重減少に関する情報は、体重の減少度合を示す情報であり、例えば所定期間（１カ月、６カ月、１年等）に５ｋｇ以上又は体重の５％以上の減少の有無を示す情報を用いることができる。認知機能に関する情報は、認知機能の低下度合を示す情報であり、例えば認知機能検査によって算出されたスコアを用いることができる。うつ症状に関する情報は、うつ症状の有無を示す情報であり、患者の自覚症状又は医療従事者による診断結果を用いることができる。易転倒性に関する情報は、転倒しやすさの有無を示す情報、所定期間（例えば１カ月）での転倒回数等を用いることができる。栄養状態に関する情報は、患者が摂取している栄養状態に関する情報であり、例えばＣＯＮＵＴ、ＭＮＡ、ＳＧＡ、ＧＬＩＭ基準等の栄養スクリーニングツールで算出されたスコアを用いることができる。慢性疾患に関する情報は、高血圧症、糖尿病、高脂血症（脂質異常症）等の有無を示す情報を用いることができる。ＳＡＲＣ－Ｆのスクリーニング結果は、ＳＡＲＣ－Ｆによって算出されたスコアを用いることができる。骨格筋量は、ＩｎＢｏｄｙ又はＤＸＡ装置等で計測された筋肉量を用いることができる。

【0039】

中間層は、各種の関数及び閾値等を用いて、入力層を介して入力された各情報から出力値を算出し、算出した出力値を出力層へ出力する。出力層は複数の出力ノードを有しており、各出力ノードには、サルコペニアを発症しているか否か又はサルコペニアの発症リスクが高いか否かを示す項目がそれぞれ対応付けられており、各出力ノードから、対応付けられた項目（状態）であると判別すべき確率（確信度）を出力する。図４に示す例では、出力ノード０は、重症のサルコペニアを発症していると判別すべき確率を出力し、出力ノード１は、重症ではないがサルコペニアを発症していると判別すべき確率を出力し、出力ノード２は、サルコペニアは発症していないがサルコペニアの発症リスクが高いと判別すべき確率を出力し、出力ノード３は、サルコペニアの発症リスクが中程度であると判別すべき確率を出力し、出力ノード４は、サルコペニアの発症リスクが低いと判別すべき確率を出力し、出力ノード５は、サルコペニアを発症しておらず発症リスクがほぼ無いと判別すべき確率を出力する。なお、各出力ノードに対応付けられる項目は、図４に示す例に限定されず、サルコペニアを発症しているか否かを示す項目のみでもよく、サルコペニアの発症リスクに応じた項目のみでもよい。各出力ノードの出力値は例えば０～１．０の値であり、各出力ノードから出力された確率の合計が１．０（１００％）となる。上述した構成により、学習モデル１２Ｍは、患者の症状情報が入力された場合に、サルコペニアを発症しているか否か及びサルコペニアの発症リスクに関する情報（各項目に対する確信度）を出力する。

【0040】

サーバ１０は、上述した学習モデル１２Ｍにおいて、例えば、各出力ノードからの出力値のうちで最大の出力値（確信度）を出力した出力ノードに対応付けられている項目（状態）を、予測すべき患者の状態に特定する。なお、学習モデル１２Ｍは、それぞれの項目（状態）に対する確信度を出力する複数の出力ノードを有する代わりに、確信度が最も高い項目（状態）を出力する１個の出力ノードを有する構成でもよい。

【0041】

学習モデル１２Ｍは、訓練用の症状情報と、当該症状情報の患者がサルコペニアを発症しているか否か又はサルコペニアの発症リスクを示す情報（正解ラベル、低栄養状態であるか否かに関する情報）とを含む訓練データを用いて、未学習の学習モデルを機械学習させることにより生成される。訓練データは、サルコペニアを発症している患者について、患者の症状情報に対して、サルコペニアの症状（重症か否か）に応じたラベル（重症サルコペニア発症、サルコペニア発症）が付与されて生成される。また、訓練データは、サルコペニアを発症していないが発症リスクのある患者について、患者の症状情報に対して、発症リスクに応じたラベル（リスク高、リスク中、リスク低）が付与されて生成される。また、訓練データは、サルコペニアの発症リスクがほぼ無い患者の症状情報に対して、リスクなしのラベルが付与されて生成される。このように生成された訓練データは、例えば記憶部１２に用意された訓練ＤＢ（図示せず）に記憶される。患者の症状情報、及び、患者がサルコペニアを発症しているか否かの情報又はサルコペニアの発症リスクは、電子カルテ用サーバ２０の電子カルテＤＢ２２ａに記憶してある患者の情報から取得することができる。

【0042】

学習モデル１２Ｍは、訓練データに含まれる症状情報が入力された場合に、正解ラベルが示す項目に対応する出力ノードからの出力値が１．０に近づき、他の出力ノードからの出力値が０．０に近づくように学習する。学習処理において学習モデル１２Ｍは、入力された症状情報に基づく演算を行い、各出力ノードからの出力値を算出する。そして学習モデル１２Ｍは、算出した各出力ノードの出力値と正解ラベルに応じた値（正解ラベルが示す項目に対応する出力ノードに対しては１、それ以外の出力ノードに対しては０）とを比較し、両者が近似するように、演算処理に用いるパラメータを最適化する。当該パラメータは、学習モデル１２Ｍにおけるニューロン間の重み等である。パラメータの最適化の方法は特に限定されないが、誤差逆伝播法、最急降下法等を用いることができる。これにより、患者の症状情報が入力された場合に、サルコペニアを発症しているか否か及びサルコペニアの発症リスクを予測し、予測結果を出力するように学習された学習モデル１２Ｍが得られる。

【0043】

学習モデル１２Ｍの学習は他の学習装置で行われてもよい。他の学習装置で学習が行われて生成された学習済みの学習モデル１２Ｍは、例えばネットワークＮ経由又は可搬型記憶媒体１０ａ経由で学習装置からサーバ１０にダウンロードされて記憶部１２に記憶される。学習モデル１２Ｍは、図４に示す構成に限定されない。学習モデル１２Ｍは、患者がサルコペニアを発症しているか否か又はサルコペニアの発症リスクを予測する際に用いられる各種の情報が入力される構成とすることができる。例えば、患者の症状情報に加えて、患者の年齢、性別、身長、既往歴、治療歴、薬剤服用歴等のいずれか又は複数が入力される構成でもよい。この場合、学習モデル１２Ｍは、症状情報だけでなく、患者の各種の情報に基づいて、サルコペニアの発症の有無及び発症リスクを予測する構成となる。また、学習モデル１２Ｍは、年齢層及び性別によって区分される属性毎に用意されてもよい。

【0044】

以下に、訓練データを学習して学習モデル１２Ｍを生成する処理について説明する。図５は学習モデル１２Ｍの生成処理手順の一例を示すフローチャートである。以下の処理は、サーバ１０の制御部１１が、記憶部１２に記憶してあるプログラム１２Ｐに従って行うが、他の学習装置で行われてもよい。

【0045】

サーバ１０の制御部１１はまず、訓練データに用いる患者の情報を電子カルテ用サーバ２０の電子カルテＤＢ２２ａから取得して訓練データを生成し、生成した訓練データを用いて学習モデル１２Ｍの学習を行う。例えば制御部１１は、電子カルテ用サーバ２０の電子カルテＤＢ２２ａに記憶してある各患者の情報に基づいて、サルコペニアを発症している患者がいるか否かを判断する（Ｓ１１）。なお、制御部１１は、サルコペニアを発症している患者の検索処理を電子カルテ用サーバ２０に対して要求し、電子カルテ用サーバ２０の制御部２１が、サルコペニアを発症している患者を検索し、検索結果、及び検索した患者の症状情報をサーバ１０へ送信してもよい。また、制御部１１は、この時点でサルコペニアを発症している患者に加えて、過去にサルコペニアを発症したことがある患者を検索してもよい。

【0046】

制御部１１は、サルコペニアを発症している患者がいると判断した場合（Ｓ１１：ＹＥＳ）、当該患者の症状情報を電子カルテ用サーバ２０（電子カルテＤＢ２２ａ）から取得する（Ｓ１２）。例えば制御部１１は、当該患者の身体機能に関する情報、体重（体重減少）に関する情報、認知機能に関する情報、うつ症状に関する情報、易転倒性に関する情報、栄養状態に関する情報、慢性疾患に関する情報、ＳＡＲＣ－Ｆのスクリーニング結果、下腿周囲径、握力、６ｍ歩行テストの結果、骨格筋量の各情報を電子カルテ用サーバ２０から取得する。制御部１１は、取得した症状情報に対して、当該患者のサルコペニアの症状レベルに応じた正解ラベルを付けて訓練データを生成し、記憶部１２に記憶する（Ｓ１３）。ここでは、制御部１１は、当該患者が重症のサルコペニアを発症していた場合、「重症サルコペニア発症」を示す正解ラベルを症状情報に付与し、当該患者が重症ではないがサルコペニアを発症していた場合、「サルコペニア発症」を示す正解ラベルを症状情報に付与する。

【0047】

制御部１１は、ステップＳ１１の処理に戻り、サルコペニアを発症している他の患者がいるか否かを判断し、いると判断する都度（Ｓ１１：ＹＥＳ）、ステップＳ１２～Ｓ１３の処理を行って訓練データを生成する。これにより、サルコペニアを発症している患者の情報に基づいて、学習モデル１２Ｍの学習に用いる訓練データを生成して蓄積できる。制御部１１は、サルコペニアを発症している患者がいないと判断した場合（Ｓ１１：ＮＯ）、サルコペニアを発症していないが発症リスクのある患者がいるか否かを判断する（Ｓ１４）。ここでも制御部１１は、サルコペニアの発症リスクのある患者の検索処理を電子カルテ用サーバ２０に対して要求し、電子カルテ用サーバ２０の制御部２１が、発症リスクのある患者を検索し、検索結果、及び検索した患者の症状情報をサーバ１０へ送信してもよい。

【0048】

発症リスクのある患者がいると判断した場合（Ｓ１４：ＹＥＳ）、制御部１１は、当該患者の症状情報を電子カルテ用サーバ２０（電子カルテＤＢ２２ａ）から取得する（Ｓ１５）。ここでは制御部１１は、ステップＳ１２と同様の情報を電子カルテ用サーバ２０から取得する。そして、制御部１１は、取得した症状情報に対して、発症リスクに応じた正解ラベルを付けて訓練データを生成し、記憶部１２に記憶する（Ｓ１６）。ここでは、制御部１１は、当該患者のサルコペニアの発症リスクが高い場合、「サルコペニアリスク高」を示す正解ラベルを症状情報に付与し、発症リスクが中程度である場合、「サルコペニアリスク中」を示す正解ラベルを症状情報に付与し、発症リスクが低い場合、「サルコペニアリスク低」を示す正解ラベルを症状情報に付与する。

【0049】

制御部１１は、ステップＳ１１の処理に戻り、サルコペニアを発症している患者がいないと判断した場合（Ｓ１１：ＮＯ）、発症リスクのある他の患者がいるか否かを判断し（Ｓ１４）、いると判断する都度（Ｓ１４：ＹＥＳ）、ステップＳ１５～Ｓ１６の処理を行って訓練データを生成する。これにより、発症リスクのある患者の情報に基づいて、学習モデル１２Ｍの学習に用いる訓練データを生成して蓄積できる。制御部１１は、サルコペニアの発症リスクのある患者がいないと判断した場合（Ｓ１４：ＮＯ）、サルコペニアを発症しておらず発症リスクがほぼ無い患者がいるか否かを判断する（Ｓ１７）。発症リスクがほぼ無い患者がいると判断した場合（Ｓ１７：ＹＥＳ）、制御部１１は、当該患者の症状情報を電子カルテ用サーバ２０（電子カルテＤＢ２２ａ）から取得する（Ｓ１８）。そして、制御部１１は、取得した症状情報に対して、「サルコペニアなし」を示す正解ラベルを付けて訓練データを生成し、記憶部１２に記憶する（Ｓ１９）。

【0050】

制御部１１は、ステップＳ１１の処理に戻り、サルコペニアを発症している患者がいないと判断し（Ｓ１１：ＮＯ）、発症リスクのある患者がいないと判断した場合（Ｓ１４：ＮＯ）、発症リスクがほぼ無い他の患者がいるか否かを判断し（Ｓ１７）、いると判断する都度（Ｓ１７：ＹＥＳ）、ステップＳ１８～Ｓ１９の処理を行って訓練データを生成する。これにより、発症リスクがほぼ無い患者の情報に基づいて、学習モデル１２Ｍの学習に用いる訓練データを生成して蓄積できる。

【0051】

制御部１１は、サルコペニアを発症しておらず発症リスクがほぼ無い患者がいないと判断した場合（Ｓ１７：ＮＯ）、蓄積した訓練データを用いて学習モデル１２Ｍの学習処理を行う（Ｓ２０）。ここでは、制御部１１は、訓練データに含まれる症状情報を学習モデル１２Ｍに入力し、各出力ノードからの出力値を取得する。制御部１１は、各出力ノードの出力値と、正解ラベルに応じた値（正解の項目に対応する出力ノードに対しては１、その他の出力ノードに対しては０）とを比較し、両者が近似するように、例えば誤差逆伝播法を用いて、学習モデル１２Ｍにおけるニューロン間の重み等のパラメータを最適化する。

【0052】

制御部１１は、ステップＳ１３，Ｓ１６，Ｓ１９で蓄積した訓練データのうちで、学習処理が行われていない訓練データ（未処理の訓練データ）があるか否かを判断する（Ｓ２１）。未処理の訓練データがあると判断した場合（Ｓ２１：ＹＥＳ）、制御部１１は、ステップＳ２０の処理に戻り、未処理の訓練データを用いて学習処理を繰り返す。未処理の訓練データがないと判断した場合（Ｓ２１：ＮＯ）、制御部１１は一連の処理を終了する。

【0053】

上述した処理により、患者の症状情報が入力された場合に、当該患者がサルコペニアを発症しているか否か又は発症リスクを示す情報を出力するように学習された学習モデル１２Ｍが生成される。なお、上述したような訓練データを用いた学習処理を繰り返し行うことにより、学習モデル１２Ｍを更に最適化することができる。また、既に学習済みの学習モデル１２Ｍについても、上述した処理を行うことによって再学習させることができ、この場合、判別精度がより高い学習モデル１２Ｍを生成できる。また、年齢層及び性別によって区分される属性毎に訓練データを学習させることにより、各属性に応じた学習モデル１２Ｍを生成してもよい。また、医療機関毎に訓練データを学習させることにより、各医療機関に応じた学習モデル１２Ｍを生成してもよい。患者に行われる検査の種類及び治療内容は、医療機関における治療方針に応じて多少異なるので、医療機関毎に学習モデル１２Ｍを生成することにより、各医療機関で行われる検査及び治療内容を考慮して、サルコペニアリスクを発症しているか否か又は発症リスクの予測が可能となる。

【0054】

以下に、上述した処理によって生成された学習モデル１２Ｍを用いて、患者がサルコペニアを発症しているか否か及び発症リスクを予測して、患者本人、患者の家族又は介護者等に提示する処理について説明する。図６はサルコペニアの可能性の予測処理手順の一例を示すフローチャート、図７はユーザ端末３０の画面例を示す説明図である。以下の処理は、ユーザ端末３０の制御部３１が、記憶部３２に記憶してあるプログラム３２Ｐに従って行うと共に、サーバ１０の制御部１１が、記憶部１２に記憶してあるプログラム１２Ｐに従って行う。

【0055】

例えば患者本人、患者の家族又は介護者等（以下ではユーザという）は、患者がサルコペニアを発症しているか否か又は発症リスクが高いか否か（以下では、サルコペニアの可能性という）を知りたい場合、ユーザ端末３０にサルコペニア判定アプリ３２ＡＰを起動させる。そして、ユーザは、サルコペニア判定アプリ３２ＡＰを介して、サルコペニアの可能性を判断する際に用いる、患者の症状に関する情報を入力し、入力した情報に基づいてサルコペニアの可能性を予測する処理をサーバ１０に実行させ、予測結果をサーバ１０から取得する。よって、ユーザ端末３０の制御部３１は、入力部３４を介してサルコペニア判定アプリ３２ＡＰの起動指示を受け付けた場合、患者の症状情報を入力するための症状入力画面を表示部３５に表示する（Ｓ３１）。なお、サルコペニアの可能性の判定処理をネットワークＮ上に設けられたウェブサーバで実現する構成でもよく、この場合、制御部３１は、ウェブブラウザによってウェブサーバにアクセスすることにより、症状入力画面をウェブサーバから取得してもよい。

【0056】

図７Ａは症状入力画面例を示しており、図７Ａに示す画面は、患者に割り当てられた患者ＩＤ、患者の年齢及び性別の入力欄を有する。これらの情報は、サルコペニア判定アプリ３２ＡＰのダウンロード時又は最初の起動時に設定又は入力され、アプリ内に保存される。そして、以降の起動時に、保存された各情報が読み出されて各入力欄に表示される。なお、患者ＩＤの入力欄の代わりに患者の氏名等、患者を特定できる情報の入力欄が設けられていてもよい。また、図７Ａに示す画面は、現在時刻を表示し、現在時刻における患者の症状に関する症状情報を入力するための入力欄を有する。具体的には、身体機能に関する情報の入力欄、体重減少に関する情報の入力欄、認知機能に関する情報の入力欄、うつ症状に関する情報の入力欄、易転倒性に関する情報の入力欄、栄養状態に関する情報の入力欄、慢性疾患に関する情報の入力欄、ＳＡＲＣ－Ｆのスコアの入力欄、下腿周囲径の入力欄、握力の入力欄、６ｍ歩行テストの結果の入力欄、骨格筋量の入力欄等が設けられている。各入力欄は、任意の情報又は数値を入力できる構成でもよく、複数の選択肢の中から任意の１つを選択できるプルダウンメニュー又はラジオボタンが設けられている構成でもよく、複数の選択肢の中から任意の複数を選択できるチェックボックスが設けられている構成でもよい。図７Ａに示す例では、身体機能に関する情報の入力欄には、身体機能の低下に関する各項目を選択できるチェックボックスが設けられており、認知機能に関する情報の入力欄には、認知機能の低下に関する各項目を選択できるチェックボックスが設けられている。うつ症状に関する情報の入力欄には、うつ症状の有無のいずれかを選択できるラジオボタンが設けられており、易転倒性に関する情報の入力欄には、易転倒性に関する各項目を選択できるチェックボックスが設けられている。栄養状態に関する情報の入力欄には、栄養状態の判定に用いるスクリーニングツールのいずれかを選択できるプルダウンメニューと、選択されたスクリーニングツールのスコアの入力欄とが設けられている。慢性疾患に関する情報の入力欄は、高血圧症、糖尿病、脂質異常症、その他の疾患を選択できるチェックボックスと、その他の疾患の入力欄とが設けられている。図７Ａに示す画面は、上述した入力欄に加えて、サルコペニアの可能性の判断に用いられる他の症状情報の入力欄を有する構成でもよい。また図７Ａに示す画面は、各入力欄に入力された情報に基づいて、患者のサルコペニアの可能性を判定する処理の実行を指示するための判定ボタンを有する。

【0057】

ユーザは、図７Ａに示す画面中の各入力欄に対して、患者の症状を示す各情報を入力し、サルコペニアの可能性を判定したい場合に判定ボタンを操作する。なお、ユーザは、各症状について、医師等による診断結果（判断結果）に加えて、患者自身の自覚症状、自宅又は介護施設等で計測した計測結果を各入力欄に入力する。また、ユーザ端末３０と各計測器とを連携させることにより、ユーザ端末３０が各計測器による計測結果を取得して各入力欄に入力するように構成されていてもよい。例えば、ユーザ端末３０と体重計とを連携させることにより、ユーザ端末３０が、体重計で計測された患者の体重を体重計から取得し、過去の計測結果と比較して体重の減少量を算出し、算出した減少量を、体重減少の入力欄に入力してもよい。また、ユーザ端末３０と握力計とを連携させることにより、ユーザ端末３０が、握力計で計測された患者の握力を握力計から取得して握力の入力欄に入力してもよい。また、ユーザ端末３０が、下腿周囲径を計測したメジャーから計測結果を取得して下腿周囲径の入力欄に入力してもよく、６ｍ歩行テストで使用したストップウォッチから計測結果を取得して６ｍ歩行テストの入力欄に入力してもよい。また、ユーザ端末３０が、骨格筋量を計測したＩｎＢｏｄｙ又はＤＸＡ装置等から計測結果を取得して骨格筋量の入力欄に入力してもよい。また、うつ症状の有無、栄養スクリーニングツールの種類及びスコア、慢性疾患の有無、ＳＡＲＣ－Ｆスコア等については、ユーザ端末３０が、医師等の端末から取得して各入力欄に入力するように構成されていてもよい。

【0058】

また、ユーザ端末３０にインストールされているアプリを用いて、患者の症状を判定し、判定結果を各入力欄に入力するように構成されていてもよい。例えば、ユーザ端末３０に対する患者の操作状況及び質問に対する回答内容に基づいて患者の認知機能に関する症状を判定するアプリを用いることにより、ユーザ端末３０は、患者の認知機能に関する症状を判定し、判定結果を入力欄に入力できる。また、ユーザが食べた食事を撮影した写真から画像認識によって食事の内容（料理の種類、使用されている食品及び食材の種類等）を分析するアプリを用いることにより、ユーザ端末３０は、患者が摂取した栄養内容を判定し、判定結果を入力欄に入力できる。また、ユーザ端末３０は、食事の写真を、写真から画像認識によって食事の内容を判定する処理を行うサーバへ送信し、サーバによって判定された結果を取得して入力欄に入力する構成でもよい。

【0059】

また、症状入力画面は、同じ項目について、患者の自覚症状等のように患者又は患者の家族等が判断した症状情報と、医療従事者が判断した症状情報とを入力できるように構成されていてもよい。例えば、患者等が判断した症状情報の入力欄と、医療従事者が判断した症状情報の入力欄とを設けておくことにより、それぞれの症状情報の入力を受け付けることができる。患者等が判断した症状情報は、患者等が主観的に判断した結果であるが、検査等を行う必要がないので簡単にかつ迅速に取得することができ、医療従事者が判断した症状情報は、客観的で正確な情報であるので、両方の情報を収集することは好ましい。また、両方の情報を収集する構成の場合、学習モデル１２Ｍの入力層に、同じ項目について、患者等が判断した症状情報の入力ノードと、医療従事者が判断した症状情報の入力ノードとが設けられていてもよい。この場合、患者等が判断した症状情報と、医療従事者が判断した症状情報との両方に基づいてサルコペニアの可能性を予測することができる。

【0060】

ユーザ端末３０の制御部３１は、図７Ａに示す画面中の各入力欄に対して、患者の症状情報の入力を受け付けたか否かを判断しており（Ｓ３２）、受け付けていないと判断した場合（Ｓ３２：ＮＯ）、待機する。制御部３１は、患者の症状情報の入力を受け付けたと判断した場合（Ｓ３２：ＹＥＳ）、入力された症状情報をそれぞれの入力欄に表示する（Ｓ３３）。なお、各入力欄に対する情報は、ユーザ端末３０の入力部３４を介して入力されるほかに、上述したように各機器から取得してもよい。また、前回以前に入力された各情報をサルコペニア判定アプリ３２ＡＰ内に保存してある場合、制御部３１は、サルコペニア判定アプリ３２ＡＰを起動した際に、直近に入力された情報を読み出して各入力欄に表示してもよい。この場合、ユーザは、表示された各情報に対して、変化した症状に関する情報の変更を行えばよく、ユーザによる操作負担を軽減できる。

【0061】

制御部３１は、図７Ａに示す画面中の判定ボタンが操作されたか否かを判断し（Ｓ３４）、操作されていないと判断した場合（Ｓ３４：ＮＯ）、ステップＳ３２の処理に戻り、各入力欄に対する症状情報の入力受付を継続する。判定ボタンが操作されたと判断した場合（Ｓ３４：ＹＥＳ）、制御部３１は、入力された症状情報をサーバ１０へ送信し（Ｓ３５）、サーバ１０に対してサルコペニアの可能性を予測する処理の実行を要求する。サーバ１０の制御部１１（取得部）は、ユーザ端末３０から送信された症状情報を取得し、取得した症状情報に基づいて、当該患者のサルコペニアの可能性を予測する（Ｓ３６）。具体的には、制御部１１は、ユーザ端末３０において図７Ａに示す画面を介して入力された症状情報を学習モデル１２Ｍに入力し、学習モデル１２Ｍからの出力値に基づいて、サルコペニアの可能性を予測する。例えば制御部１１は、学習モデル１２Ｍからの出力値のうちで最大の出力値（確信度）を出力した出力ノードを特定し、特定した出力ノードに対応付けられている項目を、当該患者のサルコペニアの可能性に特定する。

【0062】

なお、制御部１１は、身体機能に関する情報として、図７Ａに示す画面に表示された項目のうちで選択された項目数の割合を算出し、算出した割合を学習モデル１２Ｍに入力する。また制御部１１は、認知機能に関する情報として、図７Ａに示す画面に表示された項目のうちで選択された項目数の割合を算出し、算出した割合を学習モデル１２Ｍに入力する。又は、制御部１１は、認知機能に関する情報として、選択された項目に対応する情報（入力値）を学習モデル１２Ｍに入力してもよい。また制御部１１は、うつ症状に関する情報として、有又は無に対応する情報（入力値）を学習モデル１２Ｍに入力し、易転倒性に関する情報として、選択された項目に対応する情報（入力値）、又は所定期間（例えば１カ月）での転倒回数を学習モデル１２Ｍに入力する。また制御部１１は、栄養状態に関する情報として、選択された栄養スクリーニングツールに対応する情報及び当該ツールで算出されたスコアを学習モデル１２Ｍに入力する。また制御部１１は、慢性疾患に関する情報として、図７Ａに示す画面に表示された病名のうちで選択された病名の割合、又は、選択された病名に対応する情報を学習モデル１２Ｍに入力する。

【0063】

制御部１１（出力部）は、予測した結果をユーザ端末３０へ送信する（Ｓ３７）。ユーザ端末３０の制御部３１は、サーバ１０から送信された予測結果を取得し、取得した予測結果に応じた通知画面を、例えば図７Ｂに示すように症状入力画面の上に表示する（Ｓ３８）。図７Ｂに示す例では、サルコペニアのリスクが高いことを通知して医療機関の受診を勧めるメッセージが表示されてユーザに提示されている。これにより、ユーザは、患者の症状情報に基づいて予測されたサルコペニアの可能性（例えば発症リスクが高いこと）と、医療機関の受診の要否とを把握できる。なお、ユーザ端末３０がスピーカ等の音声出力部を有する場合、制御部３１は、メッセージの表示に加えて、メッセージを音声出力することによりユーザに通知する構成でもよい。

【0064】

図７Ｂに示す画面には、サルコペニアの可能性に関するメッセージに加えて、予めサルコペニア判定アプリ３２ＡＰに登録してある主治医に連絡する指示を行う「主治医に連絡」ボタンと、医療機関を検索する指示を行う「医療機関を検索」ボタンと、当該メッセージの表示の終了指示を行う閉じるボタンとが設けられている。図７Ｂに示す画面によってサルコペニアの可能性を提示された場合、ユーザは、予測された可能性を主治医に連絡したい場合は「主治医に連絡」ボタンを操作し、医療機関を検索したい場合は「医療機関を検索」ボタンを操作する。

【0065】

制御部３１は、「主治医に連絡」ボタンが操作されたか否かを判断し（Ｓ３９）、操作されたと判断した場合（Ｓ３９：ＹＥＳ）、症状入力画面を介して入力された症状情報を、患者がサルコペニアを発症したこと又は発症リスクが高いことを通知するメッセージと共に、主治医が使用する端末に対して送信する（Ｓ４０）。症状情報の送信先の情報（主治医の端末の宛先情報）は、予めサルコペニア判定アプリ３２ＡＰに登録してあり、制御部３１は、登録してある宛先情報を読み出し、読み出した宛先情報を用いて主治医の端末又は主治医が所属している医療機関の端末等に症状情報及びメッセージを送信する。症状情報及びメッセージの送信は、電子メール、ＬＩＮＥ（登録商標）等を用いて行うことができる。なお、主治医の端末又は医療機関の端末等が患者の症状情報を受信した場合、受信した症状情報を電子カルテ用サーバ２０へ送信し、電子カルテＤＢ２２ａに記憶させてもよい。

【0066】

「主治医に連絡」ボタンが操作されていないと判断した場合（Ｓ３９：ＮＯ）、制御部３１は、ステップＳ４０をスキップし、「医療機関を検索」ボタンが操作されたか否かを判断する（Ｓ４１）。「医療機関を検索」ボタンが操作されたと判断した場合（Ｓ４１：ＹＥＳ）、制御部３１は、ユーザ端末３０の現在位置を取得し、現在位置の近傍の医療機関から、内科、神経内科、循環器内科、消化器内科、呼吸器内科、サルコペニアの専用外来等を有する医療機関を検索する処理を行う（Ｓ４２）。ユーザ端末３０の現在位置は、ユーザ端末３０に設けられたＧＰＳ（Global Positioning System）センサによって検知したＧＰＳ信号に基づいて検出できる。医療機関の検索は、ネットワークＮ上に設けられた検索エンジン（検索サーバ）を用いて実行できる。制御部３１は、医療機関の検索結果を表示部３５に表示する（Ｓ４３）。図示は省略するが、制御部３１は、検索した各医療機関について名称、電話番号、所在地、受診すべき診療科目、医師の氏名等を表示する画面を表示する。これにより、主治医又はかかりつけ医がいない場合には、受診可能な医療機関及び医師を提示することができ、医療機関の早期の受診を促すことができる。

【0067】

「医療機関を検索」ボタンが操作されていないと判断した場合（Ｓ４１：ＮＯ）、制御部３１は、ステップＳ４２～Ｓ４３をスキップし、一連の処理を終了する。なお、通知画面中の閉じるボタンが操作された場合、制御部３１は、症状入力画面を介して入力された症状情報と、表示されたメッセージ（予測結果）とを履歴情報として記憶部３２（又はサルコペニア判定アプリ３２ＡＰ）に記憶し、症状入力画面の表示を終了し、サルコペニアの可能性の判定処理を終了する。

【0068】

上述した処理により、患者の症状情報に基づいて当該患者がサルコペニアを発症しているか否か及びサルコペニアの発症リスクが予測されて、患者本人又は患者の家族等に通知される。よって、患者の家族又は介護者等が、患者の症状情報から予測されるサルコペニアの可能性を容易に把握できる。サルコペニアの診断は、診断ガイドラインに準拠して行われるが、基礎疾患の有無等に応じて診断手順が複雑となり、医師等の医療従事者であっても早期にかつ正確に診断することは難しい。また現状では、例えば患者の体重が急激に減少して初めてサルコペニアを疑い、診断の結果、サルコペニアの発症が発覚することが多い。そこで、本実施形態のシステムを用いることにより、患者本人又は患者の家族等が手軽にサルコペニアの発症リスクを把握できるので、サルコペニアの発症前に又は軽症のうちに医療機関を受診することが可能となる。その結果、サルコペニアの早期発見及び早期介入が可能となり、サルコペニアの発症及び進行を予防できる。また、本実施形態では、学習モデル１２Ｍを用いて、患者の症状情報からサルコペニアの可能性を予測するので、膨大な訓練データを学習させた学習モデル１２Ｍを用いる場合には、より正確に予測することが可能となる。

【0069】

サルコペニアを発症した場合、筋肉量の低減及び認知機能の低下が進み、要介護状態となるリスクが高まることが知られている。また、ガンの罹患患者がサルコペニアを発症した場合、化学療法（抗がん剤治療）における副作用が強く表れ、化学療法の継続率が低下することが知られている。更に、慢性疾患を有する患者がサルコペニアを発症した場合、予後が悪く、治療の継続が難しい場合が多いことが知られている。サルコペニアを発症した場合、回復するまでに時間を要し、また、回復が困難となる場合があるので、サルコペニアの発症前に、又は軽症のうちに、サルコペニアの発症の有無及び発症リスクを発見することが重要である。よって、本実施形態のシステムを用いて、例えばサルコペニアの発症前にサルコペニアの発症リスクを発見することにより、サルコペニアの発症リスクを早期にかつ正確に把握してサルコペニアの発症の予防及び早期介入を実現することが可能となる。これにより、要介護状態となるリスクを低減することができると共に、ガン又は慢性疾患等の患者に対しては必要な治療を行うことが可能となり、病気の回復が期待できる。

【0070】

本実施形態において、サーバ１０が学習モデル１２Ｍを用いてサルコペニアの可能性を予測する処理（図６中のステップＳ３６の処理）を、ユーザ端末３０がローカルで行う構成とすることもできる。例えば、ユーザ端末３０の記憶部３２に学習モデル１２Ｍをダウンロードすることにより、図６に示す全ての処理をユーザ端末３０で実行することができる。この場合、ユーザ端末３０の制御部３１は、図６中のステップＳ３１～Ｓ３４の処理を行った後、ステップＳ３６の処理を行い、その後、ステップＳ３８～Ｓ４３の処理を行う。即ち、ユーザ端末３０が、症状入力画面において判定ボタンが操作された場合に、学習モデル１２Ｍを用いてサルコペニアの可能性の予測処理を行い、予測した結果に応じた通知画面を表示部３５に表示するように構成されてもよい。このような構成とした場合であっても、上述した本実施形態と同様の処理が可能であり、同様の効果が得られる。

【0071】

本実施形態では、患者の症状情報に基づいて、患者がサルコペニアを発症しているか否か及びサルコペニアの発症リスクを予測する構成であるが、サルコペニアの代わりに、ロコモティブシンドローム又はフレイル等の低栄養状態の可能性を予測する構成とすることもできる。ロコモティブシンドローム及びフレイルについても、サルコペニアと同様に早期発見及び早期介入が必要であり、本実施形態のシステムを用いることにより、患者本人、患者の家族又は介護者等が発症前に発症リスクの予測結果を把握できるので早期に医療機関を受診し、早期に発見できることが期待される。

【0072】

（実施形態２）
患者の症状に関する時系列の症状情報に基づいて、当該患者が低栄養状態であるか否かを予測してユーザに提示する情報処理システムについて説明する。本実施形態においても、低栄養状態の１例として、患者がサルコペニアを発症しているか否か、及び、サルコペニアを発症するリスクが高いか否かを予測する。本実施形態の情報処理システムは、実施形態１の情報処理システムにおける各機器１０，２０，３０と同様の機器を用いて実現できるので、各機器の構成についての説明は省略する。

【0073】

図８は実施形態２の学習モデルの構成例を示す説明図である。図８Ａに示すように、本実施形態の学習モデル１２Ｍ１は、図４に示す実施形態１の学習モデル１２Ｍと同様の構成を有する学習モデル１２Ｍ２と、体重減少認識モデル１２Ｍ３とを有する。本実施形態の学習モデル１２Ｍ１も、患者の症状情報が入力された場合に、当該患者がサルコペニアを発症しているか否か及び発症リスクを示す情報を出力する構成を有する。本実施形態の学習モデル１２Ｍ１に入力される症状情報は、時系列データであり、例えば定期的に計測された計測結果及び定期的に判定された判定結果の時系列データであってもよい。例えば学習モデル１２Ｍ１は、１カ月毎、３カ月毎、６カ月毎、１年毎の計測結果及び判定結果を時系列データとして入力されるように構成される。図８Ａに示す例では、学習モデル１２Ｍ１に入力された体重の時系列データは、体重減少認識モデル１２Ｍ３に入力され、体重減少認識モデル１２Ｍ３が体重の時系列データに基づいて判定した体重の減少の有無が、学習モデル１２Ｍ２に入力される。

【0074】

図８Ｂは体重減少認識モデル１２Ｍ３の構成例を示しており、図８Ｂに示す体重減少認識モデル１２Ｍ３は、定期的に計測された体重の時系列データを入力とし、入力されたデータに基づいて、当該患者の体重が減少しているか否かを判別する演算を行い、演算した結果（体重減少の有無）を出力するように学習してある。体重減少認識モデル１２Ｍ３は、例えばＣＮＮ、ＲＮＮ等のアルゴリズムを用いて構成され、複数のアルゴリズムを組み合わせて構成されてもよい。図８Ｂに示す体重減少認識モデル１２Ｍ３は２つの出力ノードを有しており、出力ノード０は、体重減少が発生していると判別すべき確率を出力し、出力ノード１は、体重減少が発生していないと判別すべき確率を出力する。各出力ノードの出力値は例えば０～１．０の値であり、各出力ノードから出力された確率の合計が１．０（１００％）となる。上述した構成により、体重減少認識モデル１２Ｍ３は、患者の体重の時系列データが入力された場合に、患者に体重減少が発生しているか否かを示す情報（体重減少あり又は体重減少なしに対する確信度）を出力する。サーバ１０は、上述した体重減少認識モデル１２Ｍ３において、各出力ノードからの出力値のうちで最大（大きい方）の出力値（確信度）を出力した出力ノードに対応付けられている状態を、予測すべき状態に特定し、特定した結果を後段の学習モデル１２Ｍ２に入力する。なお、体重減少認識モデル１２Ｍ３は、体重減少の有無のそれぞれに対する確信度を出力する２つの出力ノードを有する代わりに、確信度が最も高い状態（体重減少あり又はなし）を出力する１つの出力ノードを有する構成でもよい。

【0075】

体重減少認識モデル１２Ｍ３は、訓練用の体重の時系列データと、体重減少が発生しているか否かを示す情報（正解ラベル）とを含む訓練データを用いて、未学習の学習モデルを機械学習させることにより生成される。訓練データは、体重減少が発生している患者の体重の時系列データに対して、体重減少ありを示すラベルが付与されて生成される。また、訓練データは、体重減少が発生していない患者の体重の時系列データに対して、体重減少なしを示すラベルが付与されて生成される。なお、体重減少ありと判断される状況は、例えば１カ月以内に５ｋｇ以上又は体重の５％以上が減少した場合としてもよく、１年以内に５ｋｇ以上又は体重の５％以上が減少した場合としてもよい。体重減少認識モデル１２Ｍ３は、訓練用の体重の時系列データが入力された場合に、正解ラベルが示す状態（体重減少の有無）に対応する出力ノードからの出力値が１．０に近づき、他の出力ノードからの出力値が０．０に近づくように学習する。ここでも、体重減少認識モデル１２Ｍ３は、ニューロン間の重み等を、誤差逆伝播法、最急降下法等を用いて最適化して学習処理を行う。これにより、患者の体重の時系列データが入力された場合に、体重減少が発生しているか否かを予測し、予測結果を出力するように学習された体重減少認識モデル１２Ｍ３が得られる。なお、体重減少認識モデル１２Ｍ３は、例えば高齢者用、ガンの罹患患者用、慢性疾患の罹患患者用等、患者の状況毎に用意されてもよい。

【0076】

本実施形態の学習モデル１２Ｍ１に入力される他の情報についても、体重の時系列データと同様に、各情報の時系列データから各症状に関する情報を認識するモデルを用意し、各モデルから出力された情報が学習モデル１２Ｍ２に入力されるように構成してもよい。例えば、身体機能に関する時系列データに基づいて身体機能の低下の有無又は低下レベルを判定するモデルを用意し、当該モデルに身体機能に関する時系列データを入力し、当該モデルから出力された身体機能の低下の有無又は低下レベルが学習モデル１２Ｍ２に入力される構成としてもよい。また、認知機能に関する時系列データに基づいて認知機能の低下の有無又は低下レベルを判定するモデルを用意し、当該モデルに認知機能に関する時系列データを入力し、当該モデルから出力された認知機能の低下の有無又は低下レベルが学習モデル１２Ｍ２に入力される構成としてもよい。他の各情報についても同様であり、各情報の時系列データが学習モデル１２Ｍ２に入力される構成でもよく、学習モデル１２Ｍ２の前段に設けられた各モデルを用いて各情報の時系列データから各症状に関する情報を取得し、得られた情報が学習モデル１２Ｍ２に入力される構成でもよい。

【0077】

上述した構成の学習モデル１２Ｍ１を用いる場合であっても、ユーザ端末３０及びサーバ１０は、図６と同様の処理の実行が可能であり、患者の症状情報からサルコペニアの可能性を予測してユーザに提示する処理を行うことができる。なお、図６中のステップＳ３５において、ユーザ端末３０の制御部３１は、症状入力画面を介して入力された症状情報に加えて、過去に症状入力画面を介して入力された症状情報をサーバ１０へ送信する。これにより、サーバ１０は、患者の症状情報の時系列データを取得することができる。なお、過去に症状入力画面を介して入力された症状情報は、サルコペニア判定アプリ３２ＡＰに記憶されており、制御部３１は、過去の症状情報を、新たに入力された症状情報と共に症状情報の時系列データとしてサーバ１０へ送信する。また、図６中のステップＳ３６において、サーバ１０の制御部１１は、症状状態の時系列データを学習モデル１２Ｍ１に入力する。その際、体重の時系列データは体重減少認識モデル１２Ｍ３に入力され、体重の時系列データのように学習モデル１２Ｍ２の前段に患者の症状を認識するためのモデルが用意された情報については、各情報の時系列データを各モデルに入力する。この場合、体重減少認識モデル１２Ｍ３及び他のモデルから出力された各症状に関する情報が学習モデル１２Ｍ２に入力され、制御部１１は、学習モデル１２Ｍ２からの出力値に基づいて、サルコペニアの可能性を予測できる。

【0078】

本実施形態においても、上述した実施形態１の情報処理システムと同様の効果が得られる。また本実施形態では、患者の症状情報の時系列データを用いて患者がサルコペニアを発症しているか否か及び発症リスクを予測するので、より精度の高い予測結果を得ることができる。

【0079】

上述した各実施形態において、学習モデル１２Ｍ，１２Ｍ１の出力層は、図４及び図８に示すように、サルコペニアを発症しているか否か及び発症リスクを示す情報に限定されない。例えば、現時点でサルコペニアを発症していることを示す項目、現時点ではサルコペニアを発症していないが所定期間（例えば３カ月、６カ月、１年）の経過後にサルコペニアを発症している可能性（高中低の各可能性）を示す項目が、各出力ノードに対応付けられていてもよい。この場合、現時点での発症リスクだけでなく、所定期間経過後の発症リスクを予測できるので、将来の発症リスクを考慮した対策を行うことによりサルコペニアを確実に予防することができる。なお、この場合、サルコペニアを発症した患者の症状情報のうちで、発症の所定期間前の症状情報を訓練データに用いて学習することにより、所定期間経過後の発症リスクを予測できる学習モデル１２Ｍ，１２Ｍ１を生成することができる。

【0080】

本実施形態の構成は、実施形態１の情報処理システムに適用可能であり、実施形態１の情報処理システムに適用した場合であっても同様の効果が得られる。また、本実施形態においても、上述した実施形態１で適宜説明した変形例の適用が可能である。

【0081】

今回開示された実施の形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。

【符号の説明】

【0082】

１０ サーバ
１１ 制御部
１２ 記憶部
１３ 通信部
１４ 入力部
１５ 表示部
２０ 電子カルテ用サーバ
３０ ユーザ端末
３１ 制御部
３２ 記憶部
３３ 通信部
３４ 入力部
３５ 表示部
１２Ｍ 学習モデル
１２Ｍ１ 学習モデル
２２ａ 電子カルテＤＢ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】