知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024080404
(43)【公開日】2024-06-13
(54)【発明の名称】プログラム、情報処理装置、および情報処理方法
(51)【国際特許分類】
G16H 50/30 20180101AFI20240606BHJP
【ＦＩ】
G16H50/30
【審査請求】未請求
【請求項の数】8
【出願形態】ＯＬ
(21)【出願番号】P 2022193569
(22)【出願日】2022-12-02
(71)【出願人】
【識別番号】522471630
【氏名又は名称】株式会社ｉＭＡＲｅ
(74)【代理人】
【識別番号】100079108
【弁理士】
【氏名又は名称】稲葉 良幸
(74)【代理人】
【識別番号】100109346
【弁理士】
【氏名又は名称】大貫 敏史
(74)【代理人】
【識別番号】100117189
【弁理士】
【氏名又は名称】江口 昭彦
(74)【代理人】
【識別番号】100134120
【弁理士】
【氏名又は名称】内藤 和彦
(72)【発明者】
【氏名】河岡 辰弥
(72)【発明者】
【氏名】坂山 亮太
(72)【発明者】
【氏名】船橋 真俊
(72)【発明者】
【氏名】荒山 宏樹
(72)【発明者】
【氏名】大滝 翔
(72)【発明者】
【氏名】岩館 正了
【テーマコード（参考）】
5L099
【Ｆターム（参考）】
5L099AA15
(57)【要約】
【課題】対象者の体質改善の目的をふまえて、対象者の行動を変える支援をすることができるプログラム、情報処理装置および情報処理方法を提供する。
【解決手段】プログラムは、コンピュータに、第１対象者の生体を測定した結果を含む対象者データに基づいて、体質改善の目的それぞれに対応する複数の目的別モデルを含む分類モデルを用いて、第１対象者を、目的ごとに、１以上の第２対象者で構成された１以上の対象者グループのいずれかに分類する分類機能と、分類された対象者グループに属する１以上の第２対象者のそれぞれの行動の履歴を示す行動履歴情報と、行動による１以上の第２対象者のそれぞれの体質の改善の履歴を示す改善履歴情報とに基づいて、ユーザに対して、第１対象者に対する体質を改善するための１以上のアクションプランの候補を提示する提示機能と、を実現させる。
【選択図】図４
【解決手段】プログラムは、コンピュータに、第１対象者の生体を測定した結果を含む対象者データに基づいて、体質改善の目的それぞれに対応する複数の目的別モデルを含む分類モデルを用いて、第１対象者を、目的ごとに、１以上の第２対象者で構成された１以上の対象者グループのいずれかに分類する分類機能と、分類された対象者グループに属する１以上の第２対象者のそれぞれの行動の履歴を示す行動履歴情報と、行動による１以上の第２対象者のそれぞれの体質の改善の履歴を示す改善履歴情報とに基づいて、ユーザに対して、第１対象者に対する体質を改善するための１以上のアクションプランの候補を提示する提示機能と、を実現させる。
【選択図】図４
【特許請求の範囲】
【請求項1】
コンピュータに、
第１対象者の生体を測定した結果を含む対象者データに基づいて、体質改善の目的それぞれに対応する複数の目的別モデルを含む分類モデルを用いて、前記第１対象者を、前記目的ごとに、１以上の第２対象者で構成された１以上の対象者グループのいずれかに分類する分類機能と、
前記分類された対象者グループに属する１以上の第２対象者のそれぞれの行動の履歴を示す行動履歴情報と、前記行動による前記１以上の第２対象者のそれぞれの体質の改善の履歴を示す改善履歴情報とに基づいて、ユーザに対して、前記第１対象者に対する体質を改善するための１以上のアクションプランの候補を提示する提示機能と、を実現させる、
プログラム。
第１対象者の生体を測定した結果を含む対象者データに基づいて、体質改善の目的それぞれに対応する複数の目的別モデルを含む分類モデルを用いて、前記第１対象者を、前記目的ごとに、１以上の第２対象者で構成された１以上の対象者グループのいずれかに分類する分類機能と、
前記分類された対象者グループに属する１以上の第２対象者のそれぞれの行動の履歴を示す行動履歴情報と、前記行動による前記１以上の第２対象者のそれぞれの体質の改善の履歴を示す改善履歴情報とに基づいて、ユーザに対して、前記第１対象者に対する体質を改善するための１以上のアクションプランの候補を提示する提示機能と、を実現させる、
プログラム。
【請求項2】
前記分類モデルは、生体の代謝の特徴それぞれに対応する複数の代謝の特徴別モデルを含み、
前記分類機能は、前記代謝の特徴ごとに、前記第１対象者を、前記１以上の対象者グループのいずれかに分類する、
請求項１に記載のプログラム。
前記分類機能は、前記代謝の特徴ごとに、前記第１対象者を、前記１以上の対象者グループのいずれかに分類する、
請求項１に記載のプログラム。
【請求項3】
前記コンピュータに、
前記対象者データを入力データとし前記１以上のアクションプランの候補に対するユーザからの選択を正解データとする学習データを用いて、前記分類モデルを学習させる学習機能と、
前記ユーザから、前記提示された１以上のアクションプランの候補の中から前記第１対象者に対して使用するアクションプランの選択を受け付ける受付機能と、
前記受け付けられたアクションプランの選択を前記学習データに反映させる反映機能と、を実現させる、
請求項１または２に記載のプログラム。
前記対象者データを入力データとし前記１以上のアクションプランの候補に対するユーザからの選択を正解データとする学習データを用いて、前記分類モデルを学習させる学習機能と、
前記ユーザから、前記提示された１以上のアクションプランの候補の中から前記第１対象者に対して使用するアクションプランの選択を受け付ける受付機能と、
前記受け付けられたアクションプランの選択を前記学習データに反映させる反映機能と、を実現させる、
請求項１または２に記載のプログラム。
【請求項4】
前記対象者データは、複数種類のデータを含み、
前記分類モデルは、前記対象者データを説明変数とし、前記１以上の対象者グループのいずれかへの分類を目的変数とする多変量解析を用いたモデルである、
請求項１または２に記載のプログラム。
前記分類モデルは、前記対象者データを説明変数とし、前記１以上の対象者グループのいずれかへの分類を目的変数とする多変量解析を用いたモデルである、
請求項１または２に記載のプログラム。
【請求項5】
前記対象者データは、前記第１対象者の生体を機械により測定した結果を示す第１データと、複数の測定者のそれぞれにより前記第１対象者の生体を測定した結果を示す複数の第２データと、前記複数の第２データ間の共通性の度合いと、を含む、
請求項１または２に記載のプログラム。
請求項１または２に記載のプログラム。
【請求項6】
前記対象者データは、複数種類のデータを含み、
前記分類機能は、推定機能を備え、
前記推定機能は、前記対象者データに基づいて、前記第１対象者における前記目的に関する症状の１以上の原因の特性を推定し、
前記分類機能は、前記複数種類のデータの中から、前記推定された１以上の原因の特性それぞれに関する原因データを抽出し、抽出した原因データに基づいて、前記第１対象者を、前記１以上の対象者グループのいずれかに分類する、
請求項１または２に記載のプログラム。
前記分類機能は、推定機能を備え、
前記推定機能は、前記対象者データに基づいて、前記第１対象者における前記目的に関する症状の１以上の原因の特性を推定し、
前記分類機能は、前記複数種類のデータの中から、前記推定された１以上の原因の特性それぞれに関する原因データを抽出し、抽出した原因データに基づいて、前記第１対象者を、前記１以上の対象者グループのいずれかに分類する、
請求項１または２に記載のプログラム。
【請求項7】
第１対象者の生体を測定した結果を示す対象者データに基づいて、体質改善の目的それぞれに対応する複数の目的別モデルを含む分類モデルを用いて、前記第１対象者を、１以上の第２対象者で構成された１以上の対象者グループのいずれかに分類する分類部と、
前記分類された対象者グループに属する１以上の第２対象者のそれぞれの行動の履歴を示す行動履歴情報と、前記行動による前記１以上の第２対象者のそれぞれの体質の改善の履歴を示す改善履歴情報とに基づいて、ユーザに対して、前記第１対象者に対する体質を改善するための１以上のアクションプランの候補を提示する提示部と、を備える、
情報処理装置。
前記分類された対象者グループに属する１以上の第２対象者のそれぞれの行動の履歴を示す行動履歴情報と、前記行動による前記１以上の第２対象者のそれぞれの体質の改善の履歴を示す改善履歴情報とに基づいて、ユーザに対して、前記第１対象者に対する体質を改善するための１以上のアクションプランの候補を提示する提示部と、を備える、
情報処理装置。
【請求項8】
コンピュータが、
第１対象者の生体を測定した結果を示す対象者データに基づいて、体質改善の目的それぞれに対応する複数の目的別モデルを含む分類モデルを用いて、前記第１対象者を、前記目的ごとに、１以上の第２対象者で構成された１以上の対象者グループのいずれかに分類し、
前記分類された対象者グループに属する１以上の第２対象者のそれぞれの行動の履歴を示す行動履歴情報と、前記行動による前記１以上の第２対象者のそれぞれの体質の改善の履歴を示す改善履歴情報とに基づいて、ユーザに対して、前記第１対象者に対する体質を改善するための１以上のアクションプランの候補を提示する、
情報処理方法。
第１対象者の生体を測定した結果を示す対象者データに基づいて、体質改善の目的それぞれに対応する複数の目的別モデルを含む分類モデルを用いて、前記第１対象者を、前記目的ごとに、１以上の第２対象者で構成された１以上の対象者グループのいずれかに分類し、
前記分類された対象者グループに属する１以上の第２対象者のそれぞれの行動の履歴を示す行動履歴情報と、前記行動による前記１以上の第２対象者のそれぞれの体質の改善の履歴を示す改善履歴情報とに基づいて、ユーザに対して、前記第１対象者に対する体質を改善するための１以上のアクションプランの候補を提示する、
情報処理方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、プログラム、情報処理装置、および情報処理方法に関する。
【背景技術】
【0002】
従来、生活習慣などの対象者の行動を変えることで対象者の体質改善を図るための技術が存在する。下記特許文献１では、第２の参加者の年齢および性別を含む基本条件に該当する第１の参加者を抽出し、抽出された第１の参加者と第２の参加者との間の生活環境や生活習慣に関する生活情報、および体質に関する体質情報の類似度を演算する生活習慣改善支援システムが開示されている。この生活習慣改善支援システムでは、第２の参加者に対する保険指導にあたって、第１の参加者に対する保険指導が完了したか否か、また、保険指導に成功したか否かを示す履歴情報に基づいて保険指導が完了かつ成功した第１の参加者を、上記演算した類似度に応じて、例えば生活情報や体質情報の一致度が高い順に表示する。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０１１－１６４６７０号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
ここで、対象者ごとに、年齢や性別、さらに生活環境や体質などが類似していても、例えば、炎症性疾患全般の改善を目的としている、または、ＣＶＡ（Ｃｅｒｅｂｒａｌ Ｖａｓｃｕｌａｒ Ａｃｃｉｄｅｎｔ：脳血管障害）のリハビリテーションを目的としているなど体質改善の目的が異なることが考えられる。しかしながら、特許文献１に記載の技術では、このような目的の違いをふまえて、行動を変えるための支援をすることが困難である。
【0005】
そこで、本発明のいくつかの態様は、対象者の体質改善の目的をふまえて、対象者の行動を変える支援をすることができるプログラム、情報処理装置、および情報処理方法を提供することを目的とする。
【課題を解決するための手段】
【0006】
本発明の一態様に係るプログラムは、コンピュータに、第１対象者の生体を測定した結果を含む対象者データに基づいて、体質改善の目的それぞれに対応する複数の目的別モデルを含む分類モデルを用いて、第１対象者を、目的ごとに、１以上の第２対象者で構成された１以上の対象者グループのいずれかに分類する分類機能と、分類された対象者グループに属する１以上の第２対象者のそれぞれの行動の履歴を示す行動履歴情報と、行動による１以上の第２対象者のそれぞれの体質の改善の履歴を示す改善履歴情報とに基づいて、ユーザに対して、第１対象者に対する体質を改善するための１以上のアクションプランの候補を提示する提示機能と、を実現させる。
【0007】
本発明の一態様に係る情報処理装置は、第１対象者の生体を測定した結果を示す対象者データに基づいて、体質改善の目的それぞれに対応する複数の目的別モデルを含む分類モデルを用いて、第１対象者を、１以上の第２対象者で構成された１以上の対象者グループのいずれかに分類する分類部と、分類された対象者グループに属する１以上の第２対象者のそれぞれの行動の履歴を示す行動履歴情報と、行動による１以上の第２対象者のそれぞれの体質の改善の履歴を示す改善履歴情報とに基づいて、ユーザに対して、第１対象者に対する体質を改善するための１以上のアクションプランの候補を提示する提示部と、を備える。
【0008】
本発明の一態様に係る情報処理方法は、コンピュータが、第１対象者の生体を測定した結果を示す対象者データに基づいて、体質改善の目的それぞれに対応する複数の目的別モデルを含む分類モデルを用いて、第１対象者を、目的ごとに、１以上の第２対象者で構成された１以上の対象者グループのいずれかに分類し、分類された対象者グループに属する１以上の第２対象者のそれぞれの行動の履歴を示す行動履歴情報と、行動による１以上の第２対象者のそれぞれの体質の改善の履歴を示す改善履歴情報とに基づいて、ユーザに対して、第１対象者に対する体質を改善するための１以上のアクションプランの候補を提示する。
【発明の効果】
【0009】
本発明のいくつかの態様によれば、対象者の体質改善の目的をふまえて、対象者の行動を変える支援をすることができる。
【図面の簡単な説明】
【0010】
【図1】本実施形態に係るヘルスケアシステムのシステム構成例を説明するための図である。
【図2】本実施形態に係るヘルスケアシステムの概要の一例を説明するための図である。
【図3】本実施形態に係るヘルスケアシステムの概要の一例を説明するための図である。
【図4】本実施形態に係るサーバ装置の機能構成の一例を示す図である。
【図5】本実施形態に係るヘルスケアシステムの画面例を示す図である。
【図6】本実施形態に係るヘルスケアシステムの画面例を示す図である。
【図7】本実施形態に係るサーバ装置の動作例を示す図である。
【図8】本実施形態に係るサーバ装置のハードウェア構成の一例を示す図である。
【発明を実施するための形態】
【0011】
添付図面を参照して、本発明の好適な実施形態（以下、「本実施形態」という）について説明する。なお、各図において、同一の符号を付したものは、同一又は同様の構成を有する。
【0012】
本発明において、「部」や「手段」、「装置」、「システム」とは、単に物理的手段を意味するものではなく、その「部」や「手段」、「装置」、「システム」が有する機能をソフトウェアによって実現する場合も含む。また、１つの「部」や「手段」、「装置」、「システム」が有する機能が２つ以上の物理的手段や装置により実現されても、２つ以上の「部」や「手段」、「装置」、「システム」の機能が１つの物理的手段や装置により実現されても良い。
【0013】
＜１．システム構成＞
図１を参照して、本実施形態に係るヘルスケアシステム１のシステム構成例を説明する。
図１を参照して、本実施形態に係るヘルスケアシステム１のシステム構成例を説明する。
【0014】
ヘルスケアシステム１は、第１対象者にヘルスケアを提供するためのシステムであり、第１対象者の体質改善を支援する。ヘルスケアシステム１では、例えば、第１対象者を測定した結果を示すデータ（以下、「測定データ」ともいう）を分析し、この分析の結果に基づいて第１対象者、第１対象者の家族及び／又は第１対象者をケアするセラピスト等（以下、「関係者」ともいう）に、第１対象者の体質を改善するためのアクションプランを提案する。そして、第１対象者は、このアクションプランに基づいて生活習慣等の行動を見直すことで、体質改善を図ることができる。また、第１対象者は、例えば、認知機能が低下していたり認知症を患っていたりする場合には、ヘルスケアシステム１を用いて体質改善を図ることで、認知機能の回復も図ることができる。なお、第１対象者と、後述する第２対象者とについて、特に区別の必要がない場合、総称して「対象者」ともいう。
【0015】
測定データは、例えば、第１対象者の生体を機械により測定した第１データと、複数の測定者のそれぞれにより第１対象者の生体を測定した第２データと、を含んでもよい。言い換えれば、第１データは客観的なデータであり、第２データは測定者による主観的なデータである。また、この測定者は、例えば、第１対象者を担当するセラピスト、介護スタッフ、及び／又は医療従事者等であってもよい。測定データは、対象者データの１つである。主観的なパラメータ及び客観的なパラメータについては、例えば、Funabashi, M. "Citizen Science and Topology of Mind: Complexity, Computation and Criticality in Data-Driven Exploration of Open Complex Systems" Entropy 2017, 19, 181. (https://www.mdpi.com/1099-4300/19/4/181)に記載されている。
【0016】
対象者データは、対象者に関するデータである。対象者データは、例えば、測定データの他に、対象者の個人情報として、氏名、年齢、性別、及び／又は住所等を含んでもよい。また、対象者データは、例えば、対象者の治療の履歴を示す治療履歴情報、及び／又は現病歴を示す現病歴情報含んでもよい。対象者データは、例えば、複数種類のデータを含んでもよい。言い換えれば、対象者データは、複数の変数の値からなる多変量データであってもよい。
【0017】
第１データは、例えば、体内に蓄積している有害な重金属を測定する重金属検査、毛髪や爪、体内等のミネラルを測定するミネラル検査、血中等のビタミンを測定するビタミン検査、血液検査、尿検査、及び／又は代謝系検査等による第１対象者の検査結果を示すデータを含んでもよい。また、第１データは、例えば、対象者の生体をセンシングすることで得られるデータであってもよく、例えば、対象者の睡眠の状態、排泄の状態、脈拍の状態、呼吸の状態、血圧の状態、体重の状態、および／または体温の状態をセンサな等の測定装置（不図示）で測定したものであってもよい。
【0018】
第２データは、例えば、測定者により記録された各種記録（例えば、介護記録、及び／又は診察記録等）を示すデータを含んでもよい。第２データは、例えば、定量的なデータであってもよいし、テキスト（文字列）等による定性的なデータであってもよい。また、第２データは、例えば、対象者又は関係者により記録された、対象者の家族関係、体質又は生活習慣の改善に対する熱心度、対象者のストレスの度合い、食習慣の状態等を示すデータを含んでもよい。
【0019】
対象者データは、例えば、複数の第２データ間の共通性の度合いを含んでもよい。この複数の第２データは、例えば、複数の測定者それぞれが測定した結果を示す２以上のデータであってもよい。この共通性の度合いは、例えば、ＶＡＳ（Ｖｉｓｕａｌ Ａｎａｌｏｇｕｅ Ｓｃａｌｅ）法により第２データを数値化して、数値化した複数の第２データの一致度であってもよい。
【0020】
上記構成によれば、複数の第２データ間の共通性の度合いを用いることで、測定者に依存し測定者ごとの主観的な思考（特に、その揺らぎ）により変化しうる第２データを収束させた形で用いることができる。このため、精度を向上させた第２データを用いることができる。
【0021】
図１に示すように、ヘルスケアシステム１は、サーバ装置１００と、第１対象者又は第１対象者をケアする介護スタッフやセラピスト等のユーザが使用するユーザ装置２００と、を含む。サーバ装置１００とユーザ装置２００とは、ネットワークＮを介して互いに通信可能に接続されている。
【0022】
ネットワークＮは、無線ネットワークや有線ネットワークにより構成される。ネットワークの一例としては、携帯電話網や、ＰＨＳ（Ｐｅｒｓｏｎａｌ Ｈａｎｄｙ－ｐｈｏｎｅ Ｓｙｓｔｅｍ）網、無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ、ＩＥＥＥ８０２．１１に準拠する通信（いわゆるＷｉ－Ｆｉ（登録商標））を含む）、３Ｇ（３ｒｄ Ｇｅｎｅｒａｔｉｏｎ）、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）、４Ｇ（４ｔｈ Ｇｅｎｅｒａｔｉｏｎ）、５Ｇ（５ｔｈ Ｇｅｎｅｒａｔｉｏｎ）、ＷｉＭａｘ（登録商標）、赤外線通信、可視光通信、Ｂｌｕｅｔｏｏｔｈ（登録商標）、有線ＬＡＮ、電話線、電力線通信ネットワーク、ＩＥＥＥ１３９４等に準拠したネットワークがある。
【0023】
サーバ装置１００は、対象者の体質改善を支援するためのサービスを提供するための情報処理装置である。サーバ装置１００は、所定のプログラムを実行することにより、測定装置又はユーザ装置２００等から測定データを取得したり、取得した測定データを対象者データとして分析したり、分析の結果に基づいて第１対象者を１以上の対象者グループに分類したりする（言い換えれば、クラスタリングする）。
【0024】
ユーザ装置２００は、ユーザが使用する情報処理装置であり、例えば、スマートフォンやラップトップ等の端末である。ユーザ装置２００は、所定のプログラムを実行することにより、サーバ装置１００と連携して上記分析の結果やアクションプランを出力するための画面に関する情報（以下、「出力情報」ともいう）を送受信したり、この画面を表示したり、ユーザからのアクションプランを選択するための入力を受け付けたりする。
【0025】
＜２．概要＞
図２を参照して、ヘルスケアシステム１の概要の一例を説明する。図２に示すように、ヘルスケアシステム１では、サーバ装置１００が、複数の目的別モデルとして、（Ａ）炎症性疾患全般向けの炎症性疾患全般モデル、（Ｂ）ＣＶＡ（Ｃｅｒｅｂｒａｌ Ｖａｓｃｕｌａｒ Ａｃｃｉｄｅｎｔ：脳血管障害）を有する対象者に特化したＣＶＡ特化モデル、（Ｃ）ストレスによる症状（例えば、副腎疲労等）を有する対象者に特化したストレス性特化モデルを記憶する。
図２を参照して、ヘルスケアシステム１の概要の一例を説明する。図２に示すように、ヘルスケアシステム１では、サーバ装置１００が、複数の目的別モデルとして、（Ａ）炎症性疾患全般向けの炎症性疾患全般モデル、（Ｂ）ＣＶＡ（Ｃｅｒｅｂｒａｌ Ｖａｓｃｕｌａｒ Ａｃｃｉｄｅｎｔ：脳血管障害）を有する対象者に特化したＣＶＡ特化モデル、（Ｃ）ストレスによる症状（例えば、副腎疲労等）を有する対象者に特化したストレス性特化モデルを記憶する。
【0026】
目的別モデルとは、体質改善の目的（以下、「改善目的」ともいう）それぞれに対応するモデルである。炎症性疾患全般モデルは、例えば、炎症性疾患を有する対象者向けに最適な改善プランを提示することを目的としたモデルであってもよい。また、ＣＶＡ特化モデルは、例えば、ＣＶＡのリハビリテーションを改善目的としたモデルであってもよい。ストレス性特化モデルは、例えば、ストレス性の症状の原因が飲酒によるものなのか、家族関係によるものなのか原因別の改善を目的とするモデルであってもよい。また、目的別モデル及び後述する代謝の特徴別モデルは、例えば、ＡＩ技術を用いたモデル、具体的には、学習データを用いて機械学習により学習されたモデルであってもよい。
【0027】
（１）ヘルスケアシステム１では、各種検査や測定者による観察により第１対象者を測定した測定データを取得して、サーバ装置１００が記憶する複数の目的別モデルそれぞれにこの測定データを入力する。
【0028】
目的別モデルに入力する対象者データは、例えば、それぞれのモデルに応じた異なるデータであってもよい。具体的には、ＣＶＡ特化モデルの入力データは、第１対象者における身体の麻痺の状態（言い換えれば、身体の硬直の状態等）を測定した測定データを含み、他方、炎症性疾患全般モデルの入力データは、この測定データを含まなくてもよい。
【0029】
（２）サーバ装置１００は、上記対象者データを目的別モデルに入力して、第１対象者を、改善目的ごとに、１以上の対象者グループのいずれかに分類する。対象者グループは、１以上の第２対象者で構成された群（言い換えれば、クラスタ）である。例えば、サーバ装置１００は、上記麻痺の状態を示す測定データをＣＶＡ特化モデルに入力して、ＣＶＡ特化モデルを用いて、第１対象者と同じような麻痺の状態にあった第２対象者で構成された対象者グループに第１対象者を分類してもよい。本例では、第１対象者は、炎症性疾患全般モデルでは対象者グループＧｐ－Ａ１～Ａ３のうち対象者グループＧｐ－Ａ１（糖毒性が炎症の主因（言い換えると、糖毒性が最も大きい健康上の課題）と推定されるグループ）に分類されたものとする。
【0030】
（３）サーバ装置１００は、上記（２）で分類した対象者グループに属する第２対象者の行動履歴情報と改善履歴情報とに基づいて、ユーザ装置２００に対して、第１対象者のアクションプランの候補を提示する。サーバ装置１００は、例えば、上記（２）で分類した対象者グループＧＰ－Ａ１に属する、第１対象者と同様に糖毒性が主因である第２対象者の行動履歴情報および改善履歴情報に基づいて、第１対象者のアクションプランの候補を特定する。行動履歴情報は、所定期間内における対象者の行動の履歴を示す情報である。また、改善履歴情報は、所定期間内における対象者のそれぞれの体質の改善の履歴を示す情報である。行動履歴情報及び／又は改善履歴情報は、例えば、それぞれ対応付けられて記憶部１３０に記憶されてもよい。サーバ装置１００は、例えば、行動の履歴と改善の履歴との間の相関度が所定の閾値を超える場合に、これらの履歴情報を対応付けてもよい。また、行動履歴情報及び／又は改善履歴情報は、例えば、対象者データに含まれてもよい。
【0031】
例えば、第２対象者が、菓子パン等のグルコースが多い食品の摂取を控えたという行動の履歴があり、かつこの行動の履歴に対応付けられた改善の履歴において糖毒性が軽減したことが示されていた場合、サーバ装置１００は、グルコースの多い食品を控えることをアクションプランの候補（「候補プランＡ」ともいう）として特定し、セラピスト等のユーザに、提示してもよい。また、本例では、ＣＶＡ特化モデルにより分類された対象グループにより特定されたアクションプランの候補を候補プランＢ、ストレス性特化モデルにより分類された対象グループにより特定されたアクションプランの候補を候補プランＣとする。
【0032】
（４）セラピスト等のユーザは、ユーザ装置２００に提示された候補プランＡ～Ｃのうち、第１対象者のアクションプランとして採用するものを選択する。
【0033】
（５）サーバ装置１００は、上記（４）でのアクションプランの選択の結果を、ユーザからのフィードバックとして、ユーザ装置２００から取得する。サーバ装置１００は、目的別モデルが学習データにより学習されたモデルの場合、この取得されたアクションプランの選択を目的別モデルの学習データに反映する。
【0034】
図３を参照して、ヘルスケアシステム１における第１対象者の検査からアクションプラの候補の提案までの処理の流れの一例を説明する。
【0035】
１）検査
図３に示すように、ヘルスケアシステム１では、測定装置を用いて、第１対象者の生体を測定するための検査を実施する。この検査は、例えば、重金属検査、ビタミン検査、ミネラル検査、及び／又は血液検査等であってもよい。
図３に示すように、ヘルスケアシステム１では、測定装置を用いて、第１対象者の生体を測定するための検査を実施する。この検査は、例えば、重金属検査、ビタミン検査、ミネラル検査、及び／又は血液検査等であってもよい。
【0036】
２）特性の分析
ヘルスケアシステム１では、サーバ装置１００の後述する推定部１１２ｂが、例えば、上記１）の測定の結果を示す第１データを含む対象者データに基づいて、第１対象者における認知症等の症状について、その原因の特性（以下、単に「原因特性」ともいう）を推定する。サーバ装置１００の後述する分類部１１２は、第１対象者を、この推定した原因特性と同一又は類似する原因特性を有する第２対象者が属する１以上の対象者グループに分類する。
ヘルスケアシステム１では、サーバ装置１００の後述する推定部１１２ｂが、例えば、上記１）の測定の結果を示す第１データを含む対象者データに基づいて、第１対象者における認知症等の症状について、その原因の特性（以下、単に「原因特性」ともいう）を推定する。サーバ装置１００の後述する分類部１１２は、第１対象者を、この推定した原因特性と同一又は類似する原因特性を有する第２対象者が属する１以上の対象者グループに分類する。
【0037】
原因特性は、例えば、炎症性、糖毒性、ストレス性、萎縮性、毒物性、血管性、及び／又は外傷性等を含んでもよい。また、原因特性の種類は、例えば、症状や疾患の種類に応じて設定されてもよい。具体的には、第１対象者が軽度認知障害や神経変性疾患を有する場合、推定部１１２ｂは、第１対象者の原因特性として、炎症性、糖毒性、ストレス性、萎縮性、及び毒物性の５種類の中から、少なくともいずれかを推定してもよい。また、第１対象者が脳血管系疾患を有する場合、推定部１１２ｂは、第１対象者の原因特性を、炎症性、糖毒性、ストレス性、萎縮性、毒物性、血管性、及び外傷性の７種類の中から、少なくともいずれかを推定してもよい。
【0038】
３）アクションプランの提案
ヘルスケアシステム１では、サーバ装置１００の後述する提示部１１３が、上記２）の分析結果により分類された対象者グループと同一グループに属する第２対象者の行動履歴情報及び改善履歴情報に基づいて、ユーザに、アクションプランを提案してもよい。具体的には、提示部１１３は、同一の対象者グループに属する第２対象者の行動履歴情報及び改善履歴情報を参照し、同一又は類似する原因特性を有する人が過去にどのような行動をした結果、どのように体質を改善したのか等について該当する履歴を抽出する。提示部１１３は、この抽出した履歴に基づいて、アクションプランの候補を特定する。提示部１１３は、この特定したアクションプランの候補を、アクションプランの提案として、医療スタッフや介護スタッフ等のユーザに提示する。具体的には、提示部１１３は、後述する図５～６の例で示すような検査レポートとして、上記１）の検査結果、上記２）の原因特性の分析結果、及びこのアクションプランの提案をまとめて画面やファイルに出力してもよい。
ヘルスケアシステム１では、サーバ装置１００の後述する提示部１１３が、上記２）の分析結果により分類された対象者グループと同一グループに属する第２対象者の行動履歴情報及び改善履歴情報に基づいて、ユーザに、アクションプランを提案してもよい。具体的には、提示部１１３は、同一の対象者グループに属する第２対象者の行動履歴情報及び改善履歴情報を参照し、同一又は類似する原因特性を有する人が過去にどのような行動をした結果、どのように体質を改善したのか等について該当する履歴を抽出する。提示部１１３は、この抽出した履歴に基づいて、アクションプランの候補を特定する。提示部１１３は、この特定したアクションプランの候補を、アクションプランの提案として、医療スタッフや介護スタッフ等のユーザに提示する。具体的には、提示部１１３は、後述する図５～６の例で示すような検査レポートとして、上記１）の検査結果、上記２）の原因特性の分析結果、及びこのアクションプランの提案をまとめて画面やファイルに出力してもよい。
【0039】
４）提案に対するユーザの評価
ヘルスケアシステム１では、ユーザが、上記３）のアクションプランの提案に対して、実際に第１対象者の体質改善に効果的だったのか等の評価をする。サーバ装置１００の後述する受付部１１４は、この提案に対する評価を受け付ける。この評価は、例えば、２値による評価（例えば、「０：良い」又は「１：悪い」等）、複数の段階別の評価（例えば、１～５の５段階評価等）、及び／又はテキストによる定性的な評価等であってもよい。サーバ装置１００の後述する反映部１１５は、この評価を分類モデルの学習データや分類モデルの選択条件等に反映する。
ヘルスケアシステム１では、ユーザが、上記３）のアクションプランの提案に対して、実際に第１対象者の体質改善に効果的だったのか等の評価をする。サーバ装置１００の後述する受付部１１４は、この提案に対する評価を受け付ける。この評価は、例えば、２値による評価（例えば、「０：良い」又は「１：悪い」等）、複数の段階別の評価（例えば、１～５の５段階評価等）、及び／又はテキストによる定性的な評価等であってもよい。サーバ装置１００の後述する反映部１１５は、この評価を分類モデルの学習データや分類モデルの選択条件等に反映する。
【0040】
上記構成のもと、ヘルスケアシステム１は、体質改善の目的別のモデルを用いて、第１対象者を１以上の対象者グループに分類できる。そして、分類された対象者グループに属する過去に体質が改善された第２対象者の行動に基づいてアクションプランを提案することができる。このため、ヘルスケアシステム１は、対象者の体質改善の目的をふまえて、対象者の行動を変える支援をすることができる。
【0041】
上記構成のもと、ヘルスケアシステム１は、アクションプランの提案に対するユーザからのフィードバックを受けて、分類モデルを改善していくことができる。このため、より精度の高い体質改善を支援するためのサービスを第１対象者や関係者に提供することができる。
【0042】
【0043】
［制御部］
制御部１１０は、取得部１１１と、分類部１１２と、提示部１１３と、を備える。また、制御部１１０は、例えば、受付部１１４、及び／又は反映部１１５を備えてもよい。
制御部１１０は、取得部１１１と、分類部１１２と、提示部１１３と、を備える。また、制御部１１０は、例えば、受付部１１４、及び／又は反映部１１５を備えてもよい。
【0044】
［取得部］
取得部１１１は、ユーザ装置２００、第１対象者の生体を測定する測定装置、サードパーティシステムの装置等から、対象者データを取得する。取得部１１１は、この取得した対象者データを記憶部１３０に記憶させる。
取得部１１１は、ユーザ装置２００、第１対象者の生体を測定する測定装置、サードパーティシステムの装置等から、対象者データを取得する。取得部１１１は、この取得した対象者データを記憶部１３０に記憶させる。
【0045】
［分類部］
分類部１１２は、モデル記憶部１３１及びデータ記憶部１３２を参照して、第１対象者の１以上の対象者データに基づいて、分類モデルを用いて、第１対象者を、改善目的ごとに、１以上の対象者グループのいずれかに分類する。
分類部１１２は、モデル記憶部１３１及びデータ記憶部１３２を参照して、第１対象者の１以上の対象者データに基づいて、分類モデルを用いて、第１対象者を、改善目的ごとに、１以上の対象者グループのいずれかに分類する。
【0046】
分類モデルは、第１対象者を１以上の対象者グループに分類するためのモデルである。この対象者グループは、１以上の第２対象者で構成されたグループである。分類モデルは、改善目的それぞれに対応する複数の目的別モデルを含む。また、分類モデルは、例えば、学習データを用いて機械学習の手法により学習されたモデルであってもよい。
【0047】
分類モデルは、例えば、第１対象者の対象者データを説明変数とし、１以上の対象者グループのいずれかへの分類を目的変数とする多変量解析を用いたモデルであってもよい。
【0048】
分類部１１２は、例えば、血液検査、尿検査、重金属検査等による測定の結果を示す第１データ、ストレスの度合い、運動の頻度、及び／若しくは食生活の良さ等の測定者による測定の結果を示す第２データ、並びに／又は複数の第２データの共通性の度合いの標準化を行ってもよい。次に、分類部１１２は、分類モデルが主成分分析及びクラスター分析の手法によるモデルの場合、この分類モデルを用いて、標準化した第１データ、第２データ及び／又は上記共通性の度合いに基づいて、主成分分析を行ってもよい。そして、分類部１１２は、この分類モデルを用いて、主成分分析した結果に基づいて、クラスター分析を行い、第１対象者を１以上の対象者グループに分類してもよい。
【0049】
分類部１１２は、例えば、複数の第２データの共通性の度合いとして、ＶＡＳ法により第２データを数値化して、数値化した複数の第２データの一致度を算出してもよい。
【0050】
上記構成によれば、第１対象者から得られた関連のある多種類のデータ（言い換えれば、多変量データ）から構成されている対象者データを総合的に要約したり、多種類のデータ間（言い換えれば、変数間）の関連性を明確にしたりすることができる。
【0051】
分類部１１２は、例えば、学習部１１２ａを備えてもよい。学習部１１２ａは、例えば、対象者データを用いて分類モデルを学習させてもよい。学習部１１２ａは、例えば、教師なし学習として、主成分分析、敵対的生成ネットワーク、及び／又はクラスター分析（言い換えれば、クラスタリング）等の手法を用いてもよい。学習部１１２ａは、例えば、教師あり学習として、ランダムフォレスト、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、ロジスティック回帰等の手法、強化学習、及び／又は深層強化学習等を用いてもよい。
【0052】
分類部１１２は、例えば、１以上の分類モデルそれぞれを選択するための選択条件に基づいて、第１対象者に適用する分類モデルを選択してもよい。選択条件は、第１対象者の改善目的及び／又は代謝の特徴に応じた条件であってもよい。例えば、ＣＶＡ特化モデルの選択条件が「改善目的がＣＶＡのリハビリテーションであること」という条件を含む場合、第１対象者の改善目的がＣＶＡのリハビリテーションの場合は、分類部１１２は、ＣＶＡ特化モデルを第１対象者に適用するモデルとして選択してもよい。
【0053】
学習部１１２ａは、例えば、対象者データを入力データとし１以上のアクションプランの候補に対するユーザからの選択を正解データとする学習データを用いて、分類モデルを学習させてもよい。
【0054】
分類モデルは、例えば、複数の代謝の特徴別モデルを含んでもよい。代謝の特徴別モデルとは、生体の代謝の特徴（以下、単に「代謝の特徴」ともいう）それぞれに対応するモデルである。分類部１１２は、複数の代謝の特徴別モデルを用いて、代謝の特徴ごとに、第１対象者を、１以上の対象者グループのいずれかに分類してもよい。具体的には、分類部１１２は、代謝の特徴として推定部１１２ｂにより推定された原因特性「ストレス性」を第１対象者が有するとする場合、ストレス性特化モデルを用いて、ストレス性を過去に有していた第２対象者で構成された対象者グループに分類してもよい。このような構成によれば、対象者の代謝の特徴をふまえて、対象者の行動を変える支援をすることができる。
【0055】
分類部１１２は、例えば、分類モデルごとに、第１対象者を分類した対象者グループごとの確信度を算出してもよい。分類部１１２は、例えば、この算出した確信度を、対象者グループそれぞれに基づいて特定されたアクションプランの候補における推奨度としてもよい。
【0056】
学習部１１２ａは、目的別モデルごと、又は代謝の特徴別モデルごとに学習の手法を適用してもよい。言い換えれば、学習部１１２ａは、目的別モデルごと、又は代謝の特徴別モデルごとに適用する学習の手法を変えてもよい。
【0057】
学習部１１２ａは、例えば、前処理として、目的別モデル及び／又は代謝の特徴別モデルごとに、学習データの加工及び／又は重み付け等を行ってもよい。学習部１１２ａは、例えば、改善目的別、及び／代謝の特徴別に対象者データを重み付けしてもよい。例えば、改善目的をＣＶＡのリハビリテーションとする場合、ＣＶＡに関係するデータに重み付けをしてもよい。
【0058】
分類部１１２は、推定部１１２ｂを備える。推定部１１２ｂは、第１対象者の対象者データに基づいて、第１対象者における改善目的に関する症状の１以上の原因特性を推定する。分類部１１２は、例えば、第１対象者の対象者データの中から、この推定された１以上の原因特性それぞれに関する原因データを抽出してもよい。分類部１１２は、この抽出した原因データに基づいて、第１対象者を、１以上の対象者グループのいずれかに分類してもよい。
【0059】
推定部１１２ｂは、例えば、第１データが示す炎症性のマーカであるホモシステインの値や血中のＣＲＰ（Ｃ－ｒｅａｃｔｉｖｅ ｐｒｏｔｅｉｎ）の値が所定の閾値を超える場合、このようなホモシステインの値及び／又は血中のＣＲＰに基づいて、原因特性を炎症性と推定してもよい。また、推定部１１２ｂは、例えば、第１データが示す副腎から分泌されるホルモンの傾向を表すＴＳＨ（甲状腺刺激ホルモン）の値やテストステロンの値が所定の閾値を超える場合、原因特性をストレス性と推定してもよい。
【0060】
上記構成によれば、対象者データのうち第１対象者の原因特性に応じた原因データに絞って分類モデルに入力させることができる。例えば、分類モデルをＣＶＡ特化モデルとする場合、対象者データの中には、ＣＶＡにほとんど関連性のないデータも含まれうることが考えられる。このため、ＣＶＡに関連性のないデータは排除するよう、ＣＶＡと因果関係のある原因データを抽出してこの抽出したデータに基づいて分類することができる。よって精度よく、かつ効率的に第１対象者を１以上の対象者グループに分類することができる。
【0061】
推定部１１２ｂは、例えば、１以上の原因特性の度合い及び／又は割合いを推定してもよい。推定部１１２ｂは、例えば、１以上の対象者データそれぞれの重み付けに基づいて、１以上の原因特性の度合いを推定してもよい（言い換えれば、１以上の原因特性の度合いを算出してもよい）。推定部１１２ｂは、例えば、ポイント制を採用する場合、第１データが示すＴＳＨの値が所定の閾値を超える場合はストレス性の度合いを５ポイントとしてもよい。さらに、推定部１１２ｂは、この第１データの他に第２データが第１対象者のストレスの度合いが「高」を示す場合は５ポイントを加点して、合計６ポイントを原因特性の度合いとしてもよい。
【0062】
推定部１１２ｂは、例えば、代謝の特徴を、推定した１以上の原因特性の度合い及び／又は割合いに基づいて推定してもよい。推定部１１２ｂは、例えば、ストレス性の度合いが所定の閾値を超えていた場合は、代謝の特徴として、ストレス性に課題があると推定してもよい。この推定の結果に基づいて、例えば、分類部１１２は、図２の例で示したストレス性特化モデルを用いて第１対象者を１以上の対象者グループに分類してもよい。
【0063】
［提示部］
提示部１１３は、各種情報・各種データを、ユーザに提示する。提示部１１３が各種情報を提示する態様はどのような態様でもよく、例えば、アクションプランの候補を画面又はファイルに出力するための出力情報を生成し、この出力情報を提示先のユーザが使用するユーザ装置２００に送信してもよい。
提示部１１３は、各種情報・各種データを、ユーザに提示する。提示部１１３が各種情報を提示する態様はどのような態様でもよく、例えば、アクションプランの候補を画面又はファイルに出力するための出力情報を生成し、この出力情報を提示先のユーザが使用するユーザ装置２００に送信してもよい。
【0064】
提示部１１３は、例えば、１以上の第２対象者の行動履歴情報と改善履歴情報とに基づいて、ユーザに対して、第１対象者に対する体質を改善するための１以上のアクションプランの候補を提示する。提示部１１３は、例えば、改善履歴情報に基づいて、体質が改善されたとみなせる第２対象者を特定する。次に、提示部１１３は、この特定した第２対象者の行動履歴情報に基づいて、体質の改善と所定の相関関係がある第２対象者の過去の行動を特定する。そして、提示部１１３は、この特定した過去の行動をアクションプランの候補として特定してもよい。
【0065】
上記構成によれば、提示部１１３は、体質改善の目的別のモデルを用いて分類された対象者グループに属する過去に体質が改善された第２対象者の行動に基づいてアクションプランを提示することができる。このため、対象者の体質改善の目的をふまえて、対象者の行動を変える支援をすることができる。
【0066】
ここで、図５～６を参照して、提示部１１３による画面又はファイルによる出力例について説明する。図５に示すように、提示部１１３が出力させるレポート画面Ａ１は、第１対象者の第１データとして、各種検査による測定結果を示す検査結果領域ａ１１を含んでもよい。また、検査結果領域ａ１１は、例えば、重金属検査の結果を示す領域ａ１１ａ、ビタミン・ミネラル検査の結果を示すａ１１ｂ、血液検査の結果を示す領域ａ１１ｃを含んでもよい。
【0067】
図６に示すように、レポート画面Ａ１は、図５で示した領域に加え、原因特性の推定の結果を示す分析結果領域ａ１２と、アクションプランの提案を示す提案領域ａ１３を含んでもよい。提案領域ａ１３は、例えば、アクションプランの候補のリストを示す領域ａ１３ａと、推定された原因特性それぞれに対応するアクションプランをテキストで示す領域ａ１３ｂと、を含む。提示部１１３は、例えば、領域ａ１３ａにおいて、ＮＯ．１～３の３つのアクションプラン（図５では、「ケアプラン」と表記）の候補と、候補それぞれの推奨度とを含むリストを出力してもよい。
【0068】
［受付部］
図４に戻って説明を続ける。受付部１１４は、ユーザから、提示部１１３により提示された１以上のアクションプランの候補の中から第１対象者に対して使用するアクションプランの選択を受け付ける。
図４に戻って説明を続ける。受付部１１４は、ユーザから、提示部１１３により提示された１以上のアクションプランの候補の中から第１対象者に対して使用するアクションプランの選択を受け付ける。
【0069】
受付部１１４は、例えば、ユーザから、１以上のアクションプランに対する評価を受け付けてもよい。このユーザからの評価は、例えば、日常生活動作の指標であるＦＩＭ（Ｆｕｎｃｔｉｏｎａｌ Ｉｎｄｅｐｅｎｄｅｎｃｅ Ｍｅａｓｕｒｅ：機能的自立度評価法）やＱＯＬの指標の一つであるＰＧＣモラルスケールを用いたものであってもよい。また、このユーザからの評価は、例えば、対象者の状態を評価するために設定された質問項目であって対象者ごとの質問項目への回答であってもよい。
【0070】
［反映部］
反映部１１５は、受付部１１４により受け付けられたアクションプランの選択を学習データに反映させる。また、反映部１１５は、例えば、受付部１１４により受け付けられたアクションプランの選択及び／又は選択されたアクションプラン、ひいてはこのアクションプランの基となる分類モデルに対するユーザの評価を、分類モデルの選択条件に反映させてもよい。反映部１１５は、例えば、クラスター分析の分類モデルを用いて提示したアクションプランに対するユーザの評価の所定期間における統計値が所定の閾値を超える場合、このクラスター分析のアルゴリズムの成績が良いとして、この分類モデルを選択するよう選択条件を変更してもよい。
反映部１１５は、受付部１１４により受け付けられたアクションプランの選択を学習データに反映させる。また、反映部１１５は、例えば、受付部１１４により受け付けられたアクションプランの選択及び／又は選択されたアクションプラン、ひいてはこのアクションプランの基となる分類モデルに対するユーザの評価を、分類モデルの選択条件に反映させてもよい。反映部１１５は、例えば、クラスター分析の分類モデルを用いて提示したアクションプランに対するユーザの評価の所定期間における統計値が所定の閾値を超える場合、このクラスター分析のアルゴリズムの成績が良いとして、この分類モデルを選択するよう選択条件を変更してもよい。
【0071】
上記構成によれば、ユーザによる選択やアクションプランに対する評価を分類モデルの選択にフィードバックすることができる。このため、精度よく、第１対象者を１以上の対象者グループに分類することができる。
【0072】
［通信部］
通信部１２０は、ネットワークＮを介して、対象者データや出力情報を含む各種情報をユーザ装置２００や測定装置等と送受信する。
通信部１２０は、ネットワークＮを介して、対象者データや出力情報を含む各種情報をユーザ装置２００や測定装置等と送受信する。
【0073】
［記憶部］
記憶部１３０は、分類モデルや対象者データ、出力情報等を記憶する。記憶部１３０は、データベースマネジメントシステム（ＤＢＭＳ）を利用して各情報を記憶してもよいし、ファイルシステムを利用して各情報を記憶してもよい。ＤＢＭＳを利用する場合は、上記情報ごとにテーブルを設けて、このテーブル間を関連付けて各情報を管理してもよい。
記憶部１３０は、分類モデルや対象者データ、出力情報等を記憶する。記憶部１３０は、データベースマネジメントシステム（ＤＢＭＳ）を利用して各情報を記憶してもよいし、ファイルシステムを利用して各情報を記憶してもよい。ＤＢＭＳを利用する場合は、上記情報ごとにテーブルを設けて、このテーブル間を関連付けて各情報を管理してもよい。
【0074】
記憶部１３０は、例えば、モデル記憶部１３１を備えてもよい。モデル記憶部１３１は、分類モデルを記憶する。また、記憶部１３０は、例えば、データ記憶部１３２を備えてもよい。データ記憶部１３２は、対象者データを記憶する。
【0075】
＜４．動作例＞
図７を参照して、本実施形態に係るサーバ装置１００の動作例を説明する。なお、以下に示すフロー図の処理の順番は一例であって、適宜、変更されてもよい。
図７を参照して、本実施形態に係るサーバ装置１００の動作例を説明する。なお、以下に示すフロー図の処理の順番は一例であって、適宜、変更されてもよい。
【0076】
図７に示すように、サーバ装置１００の受付部１１４は、ユーザから、ユーザ装置２００を介して、アクションプランの候補を含むレポートの提示要求を受け付ける（ステップＳ１０）。次に、サーバ装置１００の取得部１１１は、第１対象者の対象者データを取得する（ステップＳ１１）。
【0077】
次に、サーバ装置１００の分類部１１２は、複数の目的別モデルを含む分類モデルを用いて、第１対象者を、改善目的ごとに、１以上の対象者グループのいずれかに分類する（ステップＳ１２）。次に、提示部１１３は、分類された１以上の対象者グループに属する第２対象者の行動履歴情報及び改善履歴情報を抽出する（ステップＳ１３）。次に、提示部１１３は、この抽出された行動履歴情報及び改善履歴情報に基づいて、１以上のアクションプランの候補を特定する（ステップＳ１４）。次に、提示部１１３は、この特定した１以上のアクションプランの候補を、ユーザに提示する（ステップＳ１５）。
【0078】
受付部１１４は、ユーザから、上記提示された１以上のアクションプランの候補の中から第１対象者に対して使用するアクションプランの選択を受け付ける（ステップＳ１６）。反映部１１５は、この受け付けられたアクションプランの選択を分類モデルの学習データに反映させる（ステップＳ１７）。
【0079】
＜５．ハードウェア構成＞
図８を参照して、上述してきたサーバ装置１００をコンピュータ８００により実現する場合のハードウェア構成の一例を説明する。なお、それぞれの装置の機能は、複数台の装置に分けて実現することもできる。
図８を参照して、上述してきたサーバ装置１００をコンピュータ８００により実現する場合のハードウェア構成の一例を説明する。なお、それぞれの装置の機能は、複数台の装置に分けて実現することもできる。
【0080】
図８に示すように、コンピュータ８００は、プロセッサ８０１と、メモリ８０３と、記憶装置８０５と、入力Ｉ／Ｆ部８０７と、データＩ／Ｆ部８０９と、通信Ｉ／Ｆ部８１１と、表示装置８１３とを含む。
【0081】
プロセッサ８０１は、メモリ８０３に記憶されているプログラムを実行することによりコンピュータ８００における様々な処理を制御する。例えば、サーバ装置１００の制御部１１０が備える各機能部等は、メモリ８０３に一時記憶されたプログラムをプロセッサ８０１が実行することにより実現可能である。
【0082】
メモリ８０３は、例えばＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等の記憶媒体である。メモリ８０３は、プロセッサ８０１によって実行されるプログラムのプログラムコードや、プログラムの実行時に必要となるデータを一時的に記憶する。
【0083】
記憶装置８０５は、例えばハードディスクドライブ（ＨＤＤ）やフラッシュメモリ等の不揮発性の記憶媒体である。記憶装置８０５は、オペレーティングシステムや、上記各構成を実現するための各種モデルや各種プログラムを記憶する。この他、記憶装置８０５は、対象者データを登録するテーブルと、このテーブルを管理するＤＢを記憶することも可能である。このようなプログラムやデータは、必要に応じてメモリ８０３にロードされることにより、プロセッサ８０１から参照される。
【0084】
入力Ｉ／Ｆ部８０７は、ユーザからの入力を受け付けるためのデバイスである。入力Ｉ／Ｆ部８０７の具体例としては、キーボードやマウス、タッチパネル、各種センサ、ウェアラブル・デバイス等が挙げられる。入力Ｉ／Ｆ部８０７は、例えばＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）等のインタフェースを介してコンピュータ８００に接続されても良い。
【0085】
データＩ／Ｆ部８０９は、コンピュータ８００の外部からデータを入力するためのデバイスである。データＩ／Ｆ部８０９の具体例としては、各種記憶媒体に記憶されているデータを読み取るためのドライブ装置等がある。データＩ／Ｆ部８０９は、コンピュータ８００の外部に設けられることも考えられる。その場合、データＩ／Ｆ部８０９は、例えばＵＳＢ等のインタフェースを介してコンピュータ８００へと接続される。
【0086】
通信Ｉ／Ｆ部８１１は、コンピュータ８００の外部の装置と有線又は無線により、インターネットＮを介したデータ通信を行うためのデバイスである。通信Ｉ／Ｆ部８１１は、コンピュータ８００の外部に設けられることも考えられる。その場合、通信Ｉ／Ｆ部８１１は、例えばＵＳＢ等のインタフェースを介してコンピュータ８００に接続される。
【0087】
表示装置８１３は、各種情報を表示するためのデバイスである。表示装置８１３の具体例としては、例えば液晶ディスプレイや有機ＥＬ（Ｅｌｅｃｔｒｏ－Ｌｕｍｉｎｅｓｃｅｎｃｅ）ディスプレイ、ウェアラブル・デバイスのディスプレイ等が挙げられる。表示装置８１３は、コンピュータ８００の外部に設けられても良い。その場合、表示装置８１３は、例えばディスプレイケーブル等を介してコンピュータ８００に接続される。また、入力Ｉ／Ｆ部８０７としてタッチパネルが採用される場合には、表示装置８１３は、入力Ｉ／Ｆ部８０７と一体化して構成することが可能である。
【0088】
なお、上記実施の形態は、本発明を説明するための例示であり、本発明をその実施の形態のみに限定する趣旨ではない。また、本発明は、その要旨を逸脱しない限り、さまざまな変形が可能である。さらに、当業者であれば、上記に述べる各要素を均等なものに置換した実施の形態を採用することが可能であり、かかる実施の形態も本発明の範囲に含まれる。
【0089】
上記実施形態で記載されたサーバ装置が備える構成要素は、記憶装置８０５に格納されたプログラムがプロセッサ８０１によって実行されることで、定められた処理が他のハードウェアと協働して実現されるものとする。また、言い換えれば、これらの構成要素は、ソフトウェア又はファームウェアとしても、それと対応するハードウェアとしても想定され、その双方の概念において、「機能」、「手段」、「部」、「処理回路」、「ユニット」、又は「モジュール」等とも記載され、またそれぞれに読み替えることができる。
【0090】
［変形例］
なお、本発明を上記実施の形態に基づいて説明してきたが、以下のような場合も本発明に含まれる。
なお、本発明を上記実施の形態に基づいて説明してきたが、以下のような場合も本発明に含まれる。
【0091】
［変形例１］
上記実施形態に係るサーバ装置１００における各構成の少なくとも一部は、ユーザ装置２００が備えていてもよい。例えば、サーバ装置１００における制御部１１０の提示部１１３の機能をユーザ装置２００に実装させてもよい。具体的には、ユーザ装置２００は、例えば、ヘルスケアシステム１専用のアプリケーションプログラムをインストールしてこのプログラムを実行することで、これらの構成を実現させてもよい。
上記実施形態に係るサーバ装置１００における各構成の少なくとも一部は、ユーザ装置２００が備えていてもよい。例えば、サーバ装置１００における制御部１１０の提示部１１３の機能をユーザ装置２００に実装させてもよい。具体的には、ユーザ装置２００は、例えば、ヘルスケアシステム１専用のアプリケーションプログラムをインストールしてこのプログラムを実行することで、これらの構成を実現させてもよい。
【0092】
［変形例２］
上記実施形態では、分類モデルを記憶する場所としてモデル記憶部１３１をサーバ装置１００の記憶部１３０が備える例を説明したが、分類モデルが記憶される場所はこれに限定されない。分類モデルは、例えば、外部装置の記憶部に記憶されていてもよい。サーバ装置１００の分類部１１２は、例えば、この外部装置が提供するＡＰＩであって分類モデルの機能を利用するためのＡＰＩに対して、分類モデルを用いて第１対象者を１以上の対象者グループに分類するよう指示してもよい。分類部１１２は、この指示に対する応答として、この外部装置から、通信部１２０を通じて分類の結果（例えば、第１対象者がどの対象者グループに属するかを示す）を示す分類情報を取得してもよい。
上記実施形態では、分類モデルを記憶する場所としてモデル記憶部１３１をサーバ装置１００の記憶部１３０が備える例を説明したが、分類モデルが記憶される場所はこれに限定されない。分類モデルは、例えば、外部装置の記憶部に記憶されていてもよい。サーバ装置１００の分類部１１２は、例えば、この外部装置が提供するＡＰＩであって分類モデルの機能を利用するためのＡＰＩに対して、分類モデルを用いて第１対象者を１以上の対象者グループに分類するよう指示してもよい。分類部１１２は、この指示に対する応答として、この外部装置から、通信部１２０を通じて分類の結果（例えば、第１対象者がどの対象者グループに属するかを示す）を示す分類情報を取得してもよい。
【0093】
［変形例３］
上記実施形態では、サーバ装置１００の制御部１１０が分類モデルを学習させる学習部１１２ａを備える例を説明したが、本発明に係る学習部はこれに限定されない。本発明に係る学習部は、例えば、分類モデルを用いて第１対象者を１以上の対象者グループに分類する分類部を備える装置とは異なる装置が備えてもよい。この異なる装置は、例えば、ヘルスケアシステム１とは異なるサードパーティシステムにおける外部装置であってもよい。例えば、サーバ装置１００の制御部１１０が備える取得部１１１は、学習された分類モデル（言い換えれば、学習済みの分類モデル）を外部装置から取得して、この取得した分類モデルをモデル記憶部１３１に記憶させてもよい。
上記実施形態では、サーバ装置１００の制御部１１０が分類モデルを学習させる学習部１１２ａを備える例を説明したが、本発明に係る学習部はこれに限定されない。本発明に係る学習部は、例えば、分類モデルを用いて第１対象者を１以上の対象者グループに分類する分類部を備える装置とは異なる装置が備えてもよい。この異なる装置は、例えば、ヘルスケアシステム１とは異なるサードパーティシステムにおける外部装置であってもよい。例えば、サーバ装置１００の制御部１１０が備える取得部１１１は、学習された分類モデル（言い換えれば、学習済みの分類モデル）を外部装置から取得して、この取得した分類モデルをモデル記憶部１３１に記憶させてもよい。
【符号の説明】
【0094】
１…ヘルスケアシステム、１００…サーバ装置、１１０…制御部、１１１…取得部、１１２…分類部、１１３…提示部、１１４…受付部、１１５…反映部、１２０…通信部、１３０…記憶部、２００…ユーザ装置、８００…コンピュータ、８０１…プロセッサ、８０３…メモリ、８０５…記憶装置、８０７…入力Ｉ／Ｆ部、８０９…データＩ／Ｆ部、８１１…通信Ｉ／Ｆ部、８１３…表示装置。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】