[0001] 本发明涉及一种预测装置、预测系统以及预测方法，详细地说，涉及一种根据除人以外的动物的先天性数据和后天性数据来预测该动物将来的疾病染患或疾病倾向状态的发生的预测装置、预测系统以及预测方法。

[0002] 以狗、猫、兔为代表的宠物动物、以牛、猪为代表的家畜对人类而言是无可替代的存在。近年来，人类饲养的动物的平均寿命大幅延长，另一方面，动物在其一生之中染患某种疾病的情况增多，饲养者所负担的医疗费的增加成为问题。

[0003] 为了维持动物的健康，重要的是通过日常的饮食、运动等来管理身体状况并对不良状况迅速应对，但是由于动物无法用自己的语言来诉说身体的不良状况，因此实际情况是，在症状发展而产生了外形上能够观察到的某种征候时，饲养者才察觉到动物染患了疾病，在最坏的情况下，还可能存在饲主一直没有注意到前兆而动物突然死亡的情形。

[0004] 如果能够知晓动物染患疾病的可能性提高了，则能够采取饮食生活的改善、生活习惯的改善、精密检查、治疗等对策，以避免染患疾病、死亡等最坏的结果。另外，对于即使未到成为疾病的程度但也会导致疾病那样的健康状态、例如肥胖、高血压、高血糖之类的状态，如果预先知晓存在成为那样的状态的可能性，则也能够采取对策。

[0005] 因此，谋求一种利用简单的方法来知晓动物将来是否有染患疾病的可能性、或陷入导致疾病那样的状态的可能性的手段。

[0006] 在专利文献1中，公开了一种信息处理装置，该信息处理装置获取表示作为动物的被检体的品种的品种信息以及与被检体的病状有关的病状信息，基于获取到的所述品种信息和所述病状信息来预测所述被检体染患的疾病或外伤，基于预测结果来提取能够应对所述被检体的疾病或外伤的动物医院。

[0007] 在专利文献2中，公开了一种宠物诊断指导方法，该宠物诊断指导方法的特征在于，包括以下工序：样本工序，提取宠物的基因作为样本；分析工序，对所述样本进行分析来发现与疾病直接相关的基因的变异；确定工序，基于所述变异来确定预计会在所述宠物上发现的疾病；以及通知工序，向所述宠物的饲主通知在所述分析工序中发现的变异和通过所述确定工序确定的疾病。

[0008] 在专利文献3中，公开了一种根据动物的面部图像来预测该动物将来是否会染患疾病的疾病预测系统。

[0009] 现有技术文献

[0010] 专利文献

[0011] 专利文献1：日本特开2021‑82087号公报

[0012] 专利文献2：日本特开2020‑171207号公报

[0013] 专利文献3：日本特开2018‑19611号公报

[0053] <预测装置>

[0054] 本发明的预测装置的特征在于，具备：第一预测单元，其根据动物先天性数据来预测将来的疾病染患或疾病倾向状态的发生，所述动物的先天性数据包括从由动物的遗传信息、血统信息以及与容貌有关的信息构成的组中选择的一种以上的信息；以及第二预测单元，其根据所述动物的后天性数据，使用学习完毕模型来对所述第一预测单元所生成的预测进行修正，所述动物的后天性数据包括从由所述动物的与饮食生活有关的信息、与肠道菌群有关的信息、与身体有关的信息、与居住环境有关的信息、与诊断、诊察及检查有关的信息、与所染患过的疾病有关的信息以及与治疗有关的信息构成的组中选择的一种以上的信息。作为动物，优选为宠物、供玩赏的动物，更优选为狗、猫、雪貂、兔。

[0055] [第一预测单元]

[0056] 第一预测单元是预测具有特定的先天性数据的动物在何时(时期、次数)发生何种(种类)疾病或疾病倾向状态的单元。预测方法不被特别限定。例如，处理器使用预先设定的程序，根据动物的先天性数据来预测该动物在规定期间内是否会染患疾病或陷入疾病倾向状态。在下面的段落中，有时将通过第一预测单元得到的预测称为“第一预测”。

[0057] 关于时期，不是三个月以内、半年以内之类的短期的预测，优选的是一年以内、三年以内、五年以内、或者动物的一生之类的长期的预测。关于次数，不是仅一次的预测，优选包括多次或者慢性病的预测。关于种类，优选的是基于先天性数据且在统计学上有意义的比例发生的疾病或疾病倾向状态。

[0058] 本发明的第一预测单元也可以构成为使用针对每个单独的先天性数据预先准备的模型、或者针对由多种先天性数据构成的每个先天性数据组预先准备的模型单独地或组合地进行预测。例如，在存在“在具有基因信息1的情况下，在5岁时染患疾病1的比例为90％”的模型1和“在符合血统2的情况下，在10岁以上时发生慢性疾病倾向状态2的比例为
30％”的模型2的情况中，在动物A符合基因信息1和血统2的情况下，进行“动物A在5岁时染患疾病1的比例为90％、在10岁以上时发生疾病倾向状态2的比例为30％”的预测。

[0059] 另外，在时期和种类重复的情况下，也可以构成为综合地进行预测。例如，在存在“在具有基因信息3的情况下，在3岁以上时染患疾病3的比例为30％”的模型3‑1和“在符合血统3的情况下，在7岁以上时染患疾病3的比例为80％”的模型3‑2的情况中，在动物B符合基因信息3和血统3的情况下，进行“动物B在3岁以上时染患疾病3的比例为30％、当在7岁以上时染患疾病3的比例会上升至80％”的预测。

[0060] 本发明的第一预测单元也可以构成为使用学习完毕模型来进行预测。作为这样的学习完毕模型，优选的是学习先天性数据与关于该动物在规定期间内是否染患了疾病或者是否陷入了肥胖等疾病倾向状态的信息之间的关系而得到的学习完毕模型。作为学习完毕模型，更优选将包括从由动物的遗传信息、血统信息以及与容貌有关的信息构成的组中选择的一种以上的信息的先天性数据、以及关于该动物在规定期间内是否染患了疾病或者是否陷入了疾病倾向状态的信息作为训练数据进行学习而得到的学习完毕模型。作为在这样的训练数据中使用的、关于在规定期间内是否染患了疾病的信息中的规定期间，优选三年以内，更优选两年以内，进一步优选一年以内。

[0061] 作为所述学习完毕模型，优选人工智能(AI)。人工智能(AI)是由计算机模仿人脑所进行的智力作业而得到的软件、系统，具体是指理解人类使用的自然语言、进行逻辑推理、从经验中学习的计算机程序等。作为人工智能，可以是通用型、专用型中的任一种，也可以是深度神经网络、卷积神经网络等中的任一种，能够使用公开的软件。

[0062] 为了生成学习完毕模型，使人工智能使用训练数据进行学习。作为学习，可以是机器学习和深度学习(deep learning)中的任一种，优选机器学习。深度学习是由机器学习发展得到的，特征在于能够自动地找出特征量。

[0063] 作为用于生成学习完毕模型的学习方法，没有特别限制，能够使用公开的软件。例如，能够使用英伟达(NVIDIA)所公开的DIGITS(the Deep Learning GPUTraining System：深度学习GPU训练系统)。此外，例如也可以通过在“サポートベクターマシン入門(支持向量机入门)”(共立出版)等中公开的公知的支持向量机法(Support Vector Machine法)等进行学习。

[0064] 作为机器学习，能够是无监督学习和有监督学习中的任一种，优选为有监督学习。作为有监督学习的方法，没有特别限定，例如能够例举决策树(Decision Tree)、集成学习、梯度提升等。作为公开的机器学习的算法，例如例举XGBoost、CatBoost、LightGBM。

[0065] 作为用于学习的训练数据的关于是否染患了疾病的信息能够置换为虚拟变量。该动物在规定期间内是否染患了疾病或者是否成为了疾病倾向状态的信息例如能够与保险索赔的事实(也称为“事故”。)相关联地从动物医院或者投保的饲主等处获得。

[0066] 作为学习完毕模型也可以使用多模态的学习完毕模型、例如使用由动物的遗传信息、血统信息以及与容貌有关的信息构成的组中选择的信息中的多个信息作为训练数据进行学习而得到的模型。另外，第一预测单元也可以包括多个学习完毕模型。例如，能够例举包括使用动物的遗传信息进行学习而得到的学习完毕模型、使用血统信息进行学习而得到的学习完毕模型、使用容貌进行学习而得到的学习完毕模型的结构。在使用多个学习完毕模型的情况下，也可以是通过多个学习完毕模型的多数表决来计算预测结果这样的结构、综合多个学习完毕模型的预测来计算预测结果这样的结构。

[0067] [先天性数据]

[0068] 本发明的先天性数据是指包括从动物的遗传信息、血统信息以及与容貌有关的信息构成的组中选择的一种以上的信息的数据。

[0069] [遗传信息]

[0070] 动物的遗传信息是指与动物的基因序列有关的信息，例如能够列举与染色体组序列、特定的基因的序列、SNP(Single Nucleotide Polymorphism：单核苷酸多态性)、多态性、基因变异有关的信息等。遗传信息例如能够通过测序器、基因试剂盒等公知的方法来获得。作为遗传信息，优选已知与疾病、肥胖等疾病倾向状态相关联的基因序列或碱基序列。

[0071] 作为动物、例如狗的遗传病(遗传性疾病)，已知有例如癌症、进行性视网膜萎缩(PRA)、遗传性白内障、柯利眼异常(CEA)、血管性假血友病(vWD)相关基因、伊维菌素敏感性(MDR1基因)、铜蓄积性肝病、胱氨酸尿症、成骨不全症、X染色体连锁肌肉萎缩症、先天性肌强直(电位依赖性氯离子通道基因的变异)、嗜睡症(食欲素相关基因的变异)、重症联合免疫缺陷症、犬白细胞粘附缺陷症(CLAD)、周期性嗜中性细胞减少症(灰色柯利综合征)、磷酸果糖激酶缺乏症、丙酮酸激酶缺乏症、溶酶体贮积病之类的疾病。

[0072] 作为猫的遗传性疾病，例举例如软骨发育异常、多发性肾囊肿、肥厚型心肌病、糖原贮积病(糖原病)、丙酮酸激酶缺乏症、进行性视网膜萎缩、脊髓性肌萎缩症。

[0073] 作为遗传信息，优选与这些疾病的发病相关联的基因的序列信息。与疾病相关联的基因是指当特定的基因存在变异时易于染患特定的疾病或难以染患特定的疾病的基因、或者当为特定的序列时易于染患特定的疾病或难以染患特定的疾病的基因。

[0074] [血统信息]

[0075] 动物的血统信息是指与动物的血统有关的信息，例如可以包括与品种、家族、祖先、子孙有关的信息。作为血统信息，优选已知与疾病、疾病倾向状态相关联的信息。疾病和疾病倾向状态的事例与基因信息的情况是同样的，作为血统信息，优选与这些疾病的发病相关联的血统的信息。与疾病相关联的血统信息是指当符合特定的血统时易于染患疾病或难以染患疾病的血统。

[0076] [容貌信息]

[0077] 动物的容貌信息是指动物的外貌。容貌信息反映了遗传信息、血统，是动物的先天性要素的一种。作为容貌信息，优选已知与疾病、疾病倾向状态相关联的信息。疾病和疾病倾向状态的事例与基因信息的情况是同样的，作为容貌信息，优选与这些疾病的发病相关联的容貌的信息。与疾病相关联的容貌信息是指当符合特定的容貌(例如“毛色”)时易于染患疾病或难以染患疾病的容貌。

[0078] 作为与容貌信息有关的数据，例如例举动物的面部的图像。图像的格式没有特别限定，既可以是静止图像也可以是运动图像。对动物的裁剪是以全身为对象的，图像中拍到的动物的部位没有特别限定，但是动物的图像优选为拍有动物的面部的图像，更优选为从正面拍摄动物的面部所得到的照片，进一步优选为动物的面部拍得大的照片。另外，相较于裁剪为仅剩口鼻附近那样的图像、或者裁剪为仅剩眼睛附近的图像而言，特别优选呈现出动物的耳朵为止的面部的图像。作为那样的照片，例举如人的驾驶证的照片那样的照片。也优选在动物的健康保险证中使用的那样的图像。图像也可以是黑白、灰度、彩色中的任一种。未呈现动物的面部整体的图像、通过图像编辑软件对形状进行编辑所得到的图像、呈现出多个动物的图像、呈现的面部小到无法判别眼睛、耳朵的图像或者不清楚的图像是不优选的。关于图像，优选为实施归一化后的图像、分辨率被统一的图像。

[0079] [疾病]

[0080] 本发明中成为预测对象的疾病没有特别限定。优选的是遗传、血统、容貌等先天的特性与发病风险相关联的疾病、能够期待通过生活习惯等的改善来降低发病风险或抑制发病的疾病。

[0081] 作为遗传、血统、容貌等先天的特性与发病风险相关联的疾病，例如，对于狗而言，例举进行性视网膜萎缩(PRA)、遗传性白内障、柯利眼异常(CEA)、血管性假血友病(vWD)、MDR1、铜蓄积性肝病、胱氨酸尿症、成骨不全症、X染色体连锁肌肉萎缩症、电位依赖性氯离子通道、食欲素、重症联合免疫缺陷症、犬白细胞粘附缺陷症(CLAD)、周期性嗜中性细胞减少症(灰色柯利综合征)、磷酸果糖激酶缺乏症、丙酮酸激酶缺乏症以及溶酶体贮积病，对于猫而言，例如例举软骨发育异常、多发性肾囊肿、肥厚型心肌病、糖原贮积病(糖原病)、丙酮酸激酶缺乏症、黏多糖症、进行性视网膜萎缩、脊髓性肌萎缩症。

[0082] 作为能够期待通过生活习惯等的改善来降低发病风险或抑制发病的疾病，对于狗而言，例举外耳炎、皮肤炎、肠胃炎、膀胱炎、胆泥淤积、关节炎、椎间盘突出、脓皮症、糖尿病、肾衰竭、癌症等，对于猫而言，例举皮肤炎、结膜炎、尿石症、肿瘤疾病、心肌病、甲状腺功能亢进、猫哮喘、糖尿病、肾衰竭、癌症等。

[0083] [疾病倾向状态]

[0084] 疾病倾向状态是指导致疾病的可能性提高的生理状态，例如例举体重增加、体重减少、睡眠不足、运动不足、缺钙、缺乏维生素、营养失调、慢性疲劳、肥胖、低体重、高血压、低血压、高血糖、低血糖，优选为肥胖、低体重、高血压、低血压、高血糖、低血糖。

[0085] [第二预测单元]

[0086] 第二预测单元是基于动物的后天性数据来对所述第一预测进行修正的单元。预测的修正方法没有特别限定。例如，处理器使用预先设定的程序，根据动物的后天性数据来对该动物在规定期间内是否染患疾病或陷入疾病倾向状态的预测进行修正。

[0087] 第二预测单元优选对关于染患疾病的时期、成为疾病倾向状态的时期的预测进行修正。例如，针对在三年以内染患肾病的可能性为50％的第一预测，考虑关于饮食生活的信息，使得如肾病发病的可能性不是在三年以内而是在五年以内这样推迟发病时期的预测。

[0088] 第二预测单元优选对关于染患疾病的概率的预测数值、关于成为疾病倾向状态的概率的预测数值进行修正。例如，考虑与饮食生活有关的数据来将三年以内染患肾病的可能性为50％的第一预测修正为三年以内染患肾病的可能性为20％。这些是根据后天性数据来推迟第一预测中的染患疾病的时期、或者降低染患的概率的修正例，但是，反过来也能够通过反映后天性数据来进行使第一预测中的疾病的染患时期的预测提前、或者提高染患的概率的修正。

[0089] 第二预测单元优选对关于是否会染患新的疾病的预测或陷入新的疾病倾向状态的预测进行修正。例如，在第一预测中未设想染患糖尿病的情况下，基于后天性数据修正为一年以内染患糖尿病的可能性为50％。

[0090] 第二预测单元优选能够使用与使用了一次的后天性数据不同的后天性数据来对修正后的第一预测进一步进行修正。例如是在使用与肠道菌群有关的信息对第一预测单元预测出的疾病的染患可能性进行修正之后，使用之后所获得的饮食生活的改善、预防药的给予之类的后天性数据来进一步修正。通过重复进行修正，能够根据在动物的一生中发生的事件来实时地将预测不断修正为准确的预测。

[0091] 另外，优选的是，第二预测单元不仅对三个月以内、半年以内之类的短期的预测进行修正，还对长期的预测、例如对于在一年以内、三年以内、五年以内或动物的一生中染患疾病的可能性有多少的预测进行修正。疾病的预测不只有一个种类的疾病，优选对与染患多种疾病有关的预测进行修正。例如是在今后数年以内染患癌症的可能性为30％、染患肾病的可能性为50％的预测。

[0092] 第二预测单元也可以构成为使用针对每个单独的后天性数据预先准备的模型、或者针对由多个后天性数据构成的每个后天性数据组预先准备的模型单独地或组合地对第一预测进行修正。

[0093] 例如，存在“在肠道菌群符合状态4的情况下，在一年后染患慢性疾病4的比例为50％”的模型4，在6岁的动物C为状态4、且动物C的第一预测为“在10岁时染患疾病4的比例为80％”的情况下，修正为“动物C在一年后(7岁)染患疾病4的比例为50％、当10岁时染患疾病4的比例上升至80％”的预测。

[0094] 本发明的第二预测单元也可以与第一预测单元同样为使用学习完毕模型来进行预测的结构。作为这样的学习完毕模型，优选为学习动物的后天性数据与关于该动物在规定期间内是否染患了疾病或者是否陷入了肥胖等疾病倾向状态的信息之间的关系而得到的学习完毕模型。作为学习完毕模型，更优选将后天性数据与关于该动物在规定期间内是否染患了疾病或者是否陷入了疾病倾向状态的信息作为训练数据进行学习而得到的学习完毕模型。作为在这样的训练数据中使用的关于在规定期间内是否染患了疾病的信息中的规定期间，优选三年以内，更优选两年以内，进一步优选一年以内。

[0095] 在第二预测单元使用这样的学习完毕模型的情况下，也可以构成为通过将第一预测单元生成的预测与第二预测单元生成的预测进行组合来计算最终的预测结果，并据此对第一预测单元生成的预测进行修正。

[0096] 在第一预测单元和第二预测单元都使用学习完毕模型的情况下，也可以构成为使用两阶段预测模型，该两阶段预测模型为，第一预测单元使用预测疾病的前兆阶段的发生、例如疾病倾向状态的发生、特定的基因的发现量的变化的学习完毕模型，第二预测单元使用根据疾病的前兆阶段的发生来预测疾病的染患的学习完毕模型。

[0097] [后天性数据]

[0098] 本发明的后天性数据是指包括从由动物的与饮食生活有关的信息、与肠道菌群有关的信息、与身体有关的信息、与居住环境有关的信息、与诊断、诊察及检查有关的信息、与所染患过的疾病有关的信息以及与治疗有关的信息构成的组中选择的一种以上的信息的数据。

[0099] [与饮食生活有关的信息]

[0100] 与动物的饮食生活有关的信息是指与动物摄取的食物有关的信息。例如例举平时吃的食物的成分、食物的摄取量、摄取次数等。作为食物的成分，例举具体的原材料、糖、蛋白质、脂肪、维生素等营养素。

[0101] [与肠道菌群有关的信息]

[0102] 与动物的肠道菌群有关的信息是指与动物的肠内存在的细菌的种类、比例有关的信息。肠道菌群例如能够通过获取动物的粪便样本并进行利用了NGS(二代测序器)的16SrRNA基因的扩增子分析(菌群分析)来掌握。另外，也可以使用二代测序器对从动物采取到的粪便试样中包括的所有生物的DNA、RNA的碱基序列信息进行分析来辨识该试样中包括的生物的方法。作为与肠道菌群有关的信息，也可以是肠道菌群中包括的特定的菌科(也可以是属、目、纲、门)的占有率(命中率(hit rate))、属于特定的菌科(也可以是属、目、纲、门)的细菌的有无等。作为这样的特定的菌科，例如例举产碱杆菌科(Alcaligenaceae)、拟杆菌科(Bacteroidaceae)、双歧杆菌科(Bifidobacteriaceae)、梭菌科(Clostridiaceae)、粪芽孢菌科(Coprobacillaceae)、红蝽菌科(Coriobacteriaceae)、肠杆菌科
(Enterobacteriaceae)、肠球菌科(Enterococcaceae)、丹毒丝菌科
(Erysipelotrichaceae)、梭杆菌科(Fusobacteriaceae)、毛螺菌科(Lachnospiraceae)、消化链球菌科(Peptostreptococcaceae)、普雷沃氏菌科(Prevotellaceae)、瘤胃球菌科(Ruminococcaceae)、韦荣氏菌科(Veillonellaceae)、链球菌科(Streptococcaceae)、弯曲杆菌科(Campylobacteraceae)、脱硫弧菌科(Desulfovibrionaceae)、黄杆菌科
(Flavobacteriaceae)、螺杆菌科(Helicobacteraceae)、臭杆菌科(Odoribacteraceae)、帕拉普氏菌科(Paraprevotellaceae)、消化球菌科(Peptococcaceae)、紫单胞菌科
(Porphyromonadaceae)、琥珀酸弧菌科(Succinivibrionaceae)、脱硫弧菌
(Desulfovibrionaceae)、肠内细菌科(Enterobacteriaceae)、乳酸杆菌科
(Lactobacillaceae)、苏黎世杆菌科(Turicibacteraceae)、丛毛单胞菌科
(Comamonadaceae)、明串珠菌科(Leuconostocaceae)、假单胞菌科(Pseudomonadaceae)、鞘脂杆菌科(Sphingobacteriaceae)。优选将与这些中的一种以上的占有率、存在的有无有关的信息用作与肠道菌群有关的信息。

[0103] 具体地说明利用了NGS(二代测序器)的16SrRNA基因的扩增子分析(菌群分析)的一例。首先，使用DNA提取试剂来从粪便等试样提取DNA，通过PCR从所提取出的DNA中对16SrRNA基因进行扩增。之后，使用NGS全面地对进行了扩增的DNA片段进行测序，并去除低质量的序列(low‑quality reads)、嵌合体序列，之后，对序列之间进行聚类来进行OTU(Operational Taxonomic Unit：运算分类单元)分析。OTU是指用于将具有一定程度以上的相似性(例如96％～97％以上的同源性)的序列彼此视为一个菌种的在操作上的分类单位。
因而，能够认为OTU数表示构成菌群的菌种的数量，属于同一OTU的序列(reads)数表示该种的相对的存在量。另外，能够从属于各OTU的序列(reads)数中选择代表性的序列并通过数据库检索来进行科名、属种名的鉴定。通过这样，能够对属于特定的科的菌的有无、占有率进行测定。

[0104] 与占有率有关的数据是指与动物的肠道菌群中包括的各菌的占有率相关联的数据。占有率是指肠道菌群中属于各菌科的细菌所占的存在比(检测比率)，例如能够作为使用了NGS等测序器的扩增子测序等公知的宏基因组分析法中的检测结果“命中率(hit rate)”来进行测定。在本发明中，既可以将肠道菌群的占有率的数值用作与占有率有关的数据，也可以将基于占有率设定的标签、分数用作与占有率有关的数据。另外，对于菌的有无，也可以使用基于菌的有无设定的标签、分数。

[0105] 本发明中的占有率是菌的每个科的占有率。每个科的占有率是指属于某一科的所有菌的占有率。也就是说，在估算每个科的占有率的情况下，能够针对肠道细菌群中的各菌种，合计属于某一科的菌种的占有率来估算该科的占有率。既可以进行种等级、属等级程度的鉴定并按科进行合计，也可以不进行种等级、属等级程度的鉴定而进行科等级的鉴定并估算科的占有率。

[0106] 基于占有率设定的标签是指根据占有率的数值的大小适当设定的标签。例如，能够根据占有率的数值来设定“大”、“中”、“小”或者“多”、“中”、“少”3个级别的标签。另外，标签的级别数能够任意地设定，例如也能够赋予“0”、“1”、“2”、“3”、···“20”之类的多个级别的标签。

[0107] 在使用标签的情况下，能够测定肠道细菌群中的占有率，在向输入单元输入数值之前，根据测定出的该占有率来从预先决定的对应表中分配特定的标签，并将该标签输入到受理单元。

[0108] 另外，基于菌的有无设定的标签是指根据菌的有无适当设定的标签。例如，能够在存在菌的情况下赋予标签“1”，在不存在菌的情况下赋予标签“0”。

[0109] 基于占有率设定的分数是指根据菌的占有率的数值的大小适当设定的分数。例如，能够在占有率为某一基准值以上的情况下给予“+1”的分数，在占有率小于某一基准值的情况下给予“‑1”的分数。

[0110] 另外，基于菌的有无设定的分数是指根据菌的有无适当设定的分数。例如，对于特定的科，如果存在属于该科的菌则给予“+1”的分数，如果不存在属于该科的菌则给予“‑1”的分数。

[0111] 也可以针对每个菌科计算这样的分数并输入到受理单元。另外，也可以构成为：向受理单元输入属于菌科的菌的有无、占有率，基于该被输入的与菌的有无有关的数据、占有率，根据预先设定的分数赋予基准来针对各菌科中的每个菌科计算分数。

[0112] 本发明的预测装置也可以构成为：第二预测单元将针对每个菌科计算或输入的分数进行合计，基于所得到的合计分数来预测染患疾病的可能性、或者对预测进行修正。

[0113] [与身体有关的信息]

[0114] 与动物的身体有关的信息是指与动物的外观、生命体征有关的信息。例如例举动物的身高、体重、皮毛、牙齿排列等外观信息、体温、脉搏、心率、呼吸数、血压、排尿/排便次数等。也可以是将这些信息进行分级、或分数化而得到的。

[0115] [与居住环境有关·的信息]

[0116] 与动物的居住环境有关的信息是指与动物被饲养的环境有关的信息。例如是动物被饲养的住宅的住址、住宅的面积、是否为都市、是独栋还是公寓、住宅的楼层数、是否为多只饲养之类的信息。也包括饲主的信息。也可以是将这些信息进行分级、或分数化而得到的。

[0117] [与诊断、诊察及检查有关的信息]

[0118] 与动物的诊断、诊察及检查有关的信息是指与动物的健康诊断、诊察及检查的结果有关的信息。例如是体温、脉搏、心率、呼吸数以及血压等与基本的生命体征有关的信息、血流、尿酸值及血糖值等与血液有关的信息、血便、血尿等与排泄物有关的信息、与CT、MRI等无创性检查有关的信息等信息。也可以是将这些信息进行分级、或分数化而得到的。

[0119] [与所染患过的疾病有关的信息]

[0120] 与动物所染患过的疾病有关的信息是指与动物当前染患着的疾病或以前染患过的疾病有关的信息。能够通过获取当前或过去的染患信息来在将来的染患的预测中利用。也可以是将这些信息进行分级、或分数化而得到的。

[0121] [与治疗有关的信息]

[0122] 与动物的治疗有关的信息是指与动物所接受的治疗及预后有关的信息。例如是药的种类、日期时间、次数、量、场所以及投药者(兽医等)等投药信息、手术的种类(包括放射治疗)、日期时间、次数、手术时间、场所以及主刀医生等手术信息、以及投药或手术后的预后信息等信息。关于第一预测单元预测出的疾病，如果是实际发病并接受了该疾病的治疗的疾病，则除了具有复发性的疾病以外，以后染患相同疾病的可能性下降，因此第二预测单元能够使用与治疗有关的信息来对第一预测单元的预测进行修正。也可以是将这些信息进行分级、或分数化而得到的。

[0123] (受理单元)

[0124] 本发明的预测装置也可以具备受理数据的输入的受理单元。受理图像的情况下的受理方法也可以是扫描、图像数据的输入、发送、获取当场拍摄的图像等中的任一种方法。

[0125] (预测结果的输出)

[0126] 本发明的第二预测单元的预测结果的输出形式没有特别限定，例如能够通过在个人计算机、智能手机等终端的画面上进行“今后一年以内有染患糖尿病的可能性”、“今后三年以内染患癌症的可能性高”、或者“今后五年以内染患癌症并因此死亡的可能性为○％”这样的显示来输出预测结果。

[0127] 本发明的预测装置也可以另外具有从第二预测单元接收预测结果并输出预测结果的输出单元。

[0128] (建议单元)

[0129] 本发明的预测装置也可以还具备根据预测结果来建议用于预防疾病染患或疾病倾向状态的发生的预防计划的建议单元。例如，建议单元能够根据第二预测单元所生成的预测结果，来建议或推荐用于避免预测出的疾病风险的食物、包括不易发生疾病的细菌的营养品、低盐、低卡路里的膳食、低糖的膳食、减肥菜单等。建议单元也可以具有学习完毕模型。作为上述预防计划，优选包括与由食物、运动习惯、生活习惯、居住环境、服装以及家庭医生构成的一种以上的变更有关的建议。

[0130] 另外，也能够根据本发明的预测装置或预测方法输出的预测结果来制造或定制用于防止染患疾病、疾病倾向状态的发生的饮料、膳食、营养品。作为与预测相关联的服务，能够采取通过本发明的预测装置或预测方法进行的预测、预测结果的提供、制造或定制与预测结果相应的饮料、膳食、营养品、建议、推荐该饮料、膳食、营养品这样的方式。另外，还能够实施是在提供了这样的服务之后进一步实施本发明的预测装置、预测方法、例如仅使用第二预测单元来提示疾病染患的可能性是否降低了这样的方法。上述饮料、膳食、营养品包括食物疗法用饮料、减肥食品、营养辅助用添加物等。

[0131] 像这样，期待通过进行与预测结果相应的膳食、食物的建议、制造、定制来降低或避免疾病风险。

[0132] (要求反映单元)

[0133] 本发明的预测装置也可以还具备要求反映单元，该要求反映单元对于所述建议单元所建议的预防计划，根据宠物的饲主的要求来对预防计划进行限定。由建议单元建议的预防计划有时包括关于多种变更的建议，有时饲主的负担会变得过大。在这种情况下，通过具备根据饲主的要求来对预防计划进行修正的要求反映单元，能够提供饲主的负担小的预防计划。

[0134] 预防计划的修正是指减少变更点的修正、与别的预防计划进行调换的修正。减少变更点的修正例如是在针对肥胖的狗建议了食物的减量和早中晚的运动作为预防计划的情况下限定为仅进行食物的减量和早晚的运动的修正。另外，与别的预防计划进行调换的修正例如是在针对肥胖的狗建议了食物的减量作为预防计划的情况下替代为早中晚的运动的修正。

[0135] [治疗费计算单元]

[0136] 本发明的预测装置优选具备治疗费计算单元，该治疗费计算单元根据第二预测单元修正后的预测来计算宠物的饲主将来有可能负担的治疗费。治疗费计算单元例如由程序、软件构成，基于第二预测单元所生成的预测结果，访问另外准备的各种疾病的治疗费的列表、数据库，来提示动物的饲主在疾病的治疗中应需要的费用的估算。治疗费的列表、数据库能够构建为通过从动物医院、宠物保险的参保人处听取来获得与治疗费有关的信息。

[0137] <预测系统>

[0138] 本发明的预测系统是由上述的预测装置与动物的所有者使用的终端经由网络连接而形成的。动物的所有者能够通过智能手机、平板电脑等终端，来对预测装置上传、输入动物的先天性数据、后天性数据。先天性数据、后天性数据例如也能够由接受动物的所有者的委托来进行DNA序列分析、肠道菌群分析等的分析业务商通过终端上传到预测装置、或者由动物医院通过终端上传到预测装置。

[0139] <预测方法>

[0140] 本发明的预测方法包括以下步骤：受理动物的先天性数据，所述动物的先天性数据包含从由所述动物的与遗传信息、血统信息以及容貌信息有关的信息构成的组中选择的一种以上的信息；第一预测步骤，根据所述先天性数据来预测将来的疾病染患或疾病倾向状态的发生；获得所述动物的后天性数据，所述动物的后天性数据包含从由所述动物的与饮食生活有关的信息、与肠道菌群有关的信息、与身体有关的信息、与居住环境有关的信息、与诊断、诊察及检查有关的信息、与所染患过的疾病有关的信息以及与治疗有关的信息构成的组中选择的一种以上的信息；以及第二预测步骤，基于所述后天性数据来对基于先天性数据的将来的疾病染患可能性预测进行修正。

[0141] 关于预测的方法和用于该方法的结构，与在上述的预测装置中说明的内容是同样的。

[0142] <实施方式>

[0143] 使用附图来说明本发明的预测装置和预测系统的实施方式的一例。

[0144] 图1是本发明的预测系统1的一例。在预测系统1中，本发明的预测装置10经由网络而与动物医院终端2、用户终端3、分析业务商终端4连接。

[0145] 在图1中，用户终端3是希望利用预测装置的人(用户)所利用的终端。终端3例如例举个人计算机、智能手机、平板电脑终端等。终端3构成为包括CPU等处理部、硬盘、ROM或RAM等存储器/存储部、液晶面板等显示部、鼠标、键盘、触摸面板等输入部、网络适配器等通信部等。

[0146] 用户从终端3通过网络访问预测装置10，输入并发送成为对象的动物的先天性数据、后天性数据，以及根据需要输入并发送面部图像(照片)、该动物的名字、种类、品种、年龄、病史等信息。

[0147] 用户能够通过终端3访问预测装置10来接收预测结果。

[0148] 本发明的预测系统能够包括设置在动物医院的动物医院终端2。动物医院终端2通过网络而与预测装置10连接。动物医院能够在对成为对象的动物进行了诊断时等，代替用户来上传后天性数据，该后天性数据包括从由该动物的与饮食生活有关的信息、与肠道菌群有关的信息、与身体有关的信息、与居住环境有关的信息、与诊断、诊察及检查有关的信息、与所染患过的疾病有关的信息以及与治疗有关的信息构成的组中选择的一种以上的信息。

[0149] 本发明的预测系统能够包括分析业务商终端4。分析业务商是指接受来自用户的委托来进行动物的DNA、肠道菌群等的分析的业务商。分析业务商能够代替向用户提交分析结果，而通过分析业务商终端4将动物的遗传信息、与肠道菌群有关的信息上传到预测装置，或者，向用户提交分析结果，并且通过分析业务商终端4将动物的遗传信息、与肠道菌群有关的信息上传到预测装置。

[0150] 图2是本发明的预测装置10的一例。在本实施方式中，预测装置10由计算机构成，只要具有本发明所涉及的功能，则可以是任意的装置。

[0151] 存储部例如由ROM、RAM或者硬盘等构成。在存储部中存储用于使预测装置的各部动作的信息处理程序，特别是存储用于第一预测单元11和第二预测单元12的软件等。

[0152] CPU 20通过执行与第一预测单元有关的程序/软件来作为第一预测单元发挥功能，CPU 20通过执行与第二预测单元有关的程序/软件来作为第二预测单元发挥功能。

[0153] 如上所述，第一预测单元11由用户或进行肠道菌群的测定的业务商输入成为对象的动物的先天性数据，来输出该动物在规定期间内(例如，一年以内、三年以内、五年以内或一生)是否会染患规定的疾病、或者是否会陷入疾病倾向状态、或者这些情况的可能性是百分之多少的预测。预测单元也可以是学习完毕模型。这样的学习完毕模型例如构成为包括XGBoost、CatBoost、LightGBM、或者深度神经网络或卷积神经网络。

[0154] 如上所述，第二预测单元12由用户或进行肠道菌群的测定的业务商输入成为对象的动物的后天性数据，来对第一预测单元的预测进行修正。预测单元也可以是学习完毕模型。这样的学习完毕模型例如构成为包括XGBoost、CatBoost、LightGBM、或者深度神经网络或卷积神经网络。

[0155] 在本实施方式中，说明了第一预测单元、第二预测单元、受理单元被保存于预测装置、与用户的终端通过因特网、LAN等连接手段进行连接的方式，但是本发明不限定于此，也可以是第一预测单元、第二预测单元、受理单元、接口部被保存在一个服务器、装置内的方式、不另外需要利用者所利用的终端的方式等。

[0156] 如图3那样，本发明的预测装置也可以具备建议单元13。建议单元13是用于根据上述第一预测单元11和第二预测单元12所输出的预测来建议避免染患疾病、成为疾病倾向状态的方法的程序或软件。例如，建议单元根据预测结果来调用并输出保存在存储部、另外准备的数据库中的与用于改善各种疾病、疾病倾向状态的食物的配方、营养品的组成配方、应对该疾病有定评的医院有关的信息。具体地说，在预测出糖尿病的发生的情况下，提示低血糖的食物的配方、有助于胰岛素的分泌的营养品、已知在应对糖尿病上优秀的医院的列表，或者建议膳食量的减少、运动量的增加。

[0157] 处理运算部(CPU)20使用存储于存储部的与第一预测单元11、第二预测单元12有关的程序、软件，来执行染患疾病、疾病倾向状态的发生的预测。

[0158] 接口部(通信部)30具备受理单元31和输出单元32，从用户的终端受理动物的先天性数据、后天性数据，另外，根据需要受理其它信息，来向用户的终端输出并发送与染患疾病、疾病倾向状态的发生有关的预测结果。

[0159] 使用图4来说明在本发明的预测装置中执行的疾病、疾病倾向状态的发生的预测例。

[0160] 为了便于说明，该一个实施方式以包括从动物获取试样以及获取关于肠道菌群的数据的方式进行说明。用户利用DNA采样试剂盒等来从动物采取试样并寄送给分析业务商，获取遗传信息等动物的先天性数据，并输入到本发明的预测装置(步骤S1)。本发明的预测装置根据先天性数据来对染患疾病、疾病倾向状态的发生进行预测(步骤S2)。接着，用户使用粪便采样试剂盒等来采取动物的粪便样本并寄送给分析业务商。分析业务商使用试样来对动物的肠道菌群进行分析。然后，用户或分析业务商将与肠道菌群有关的信息等后天性数据输入到预测装置(步骤S3)。本发明的预测装置根据后天性数据来对与染患疾病、疾病倾向状态的发生有关的预测进行修正(步骤S4)。预测装置输出该预测并将该预测发送到终端，在终端上显示预测结果(步骤S5)。

[0161] <其它实施方式>

[0162] 使用图5来说明本发明的预测装置和预测系统的其它实施方式的例子。

[0163] 图5的(A)是本发明的预测装置中的、第一预测单元使用先天性数据来预测将来的疾病的染患的情况的示意图。在图5的(A)中，向右的箭头表示朝向将来的时间经过。在图5的(A)中，预测出染患皮肤炎以及之后染患肾病。特别是，在图5的(A)中，在染患肾病后离世了，因此暗示了因肾病而死亡的可能性。这样的预测是在输入的成为对象的动物的遗传信息中包括皮肤炎、肾病的原因基因的存在的情况下导出的。关于发病时期，除了考虑遗传信息以外，例如能够还考虑血统信息、品种信息等来进行预测。

[0164] 接着，图5的(B)是基于后天性数据来对上述第一预测单元导出的预测(预测(1))进行修正而生成了预测(2)的情况的示意图。第二预测单元使用与体重、饮食生活、肠道菌群有关的信息等后天性数据来预测染患疾病、疾病倾向状态的发生，对预测(1)进行修正的结果(预测(2))是，导出了在比染患皮肤炎更早的阶段会发生体重增加(肥胖)以及此后染患糖尿病这样的预测。另外，对于肾病，发生时期的预测相较于预测(1)提前了。

[0165] 更具体地说，在第二预测单元中，通过“当体重和体脂率以一定的比例上升时，在××年变为肥胖，在〇〇年染患糖尿病，因糖尿病而使染患提前的疾病(肾病等)的染患时期提前△△年”的模型来对预测(1)进行修正，导出了预测(2)。

[0166] 在图5的(B)所示的实施方式中，建议单元针对在预测(2)中指出的体重增加和肾病等潜在问题，建议肥胖、肾病专用的食物(预防计划(1))。

[0167] 图5的(C)是在执行预防计划(1)的结果是即使到了预测出发生的时期也未出现糖尿病的情况下再次通过第二预测单元进行预测结果的修正的例子。在图5的(C)中，示出了通过执行预防计划(1)而体重增加收敛的情况。另外，即使到了预测出发生的时期也未出现糖尿病。当使用这些体重、没有发生糖尿病等后天性数据来再次通过第二预测单元进行预测的修正时(预测(3))，成为较低的箭头。由第二预测单元再次进行的预测修正的结果是，肾病的发病预测时期延迟，死亡预测时期也随之向后移动，预测寿命延长了。肾病的发病预测时期延迟了的理由是由于根据预防计划(1)的建议而提供了肾病专用的食物。另一方面，在预测(2)中，对于皮肤炎的发病，没有特别地修正。

[0168] 在图5的(C)中，为了处理皮肤炎的预测，建议单元建议了皮肤炎预防药的提供(预防计划(2))。

[0169] 示出其它实施方式。

[0170] 对于刚出生的狗(柯利犬)，基因检查的结果得到关于拥有MDR1基因的变异这一遗传信息的先天性数据，向本发明的预测装置输入了与这只狗的品种、年龄、血统有关的信息、以及关于该遗传信息的先天性数据。对于这只狗，除了MDR1基因的变异以外未确认出疾病相关基因变异的存在。一般来说，已知若具有MDR1基因的变异则在给予了丝虫病预防药的伊维菌素时容易出现中毒症(伊维菌素敏感症)。另一方面，如果不给予伊维菌素则基本上不会发病，是否给予伊维菌素依赖于作为后天性要素的饲主的打算。因此，在第一预测单元中，导出不染患疾病等的预测(预测(4))。

[0171] 另外，向本发明的预测装置输入了这只狗被饲养于野外这样的与居住环境有关的后天性数据。本发明的预测装置通过第二预测单元，使用编入了被饲养于野外的狗发生丝虫病的概率高的情况以及一定的比例的饲主实施丝虫病疫苗接种的情况的学习完毕模型，来对预测(4)进行修正，导出这只狗在一岁时发生以丝虫病为原因的运动失调的预测(预测(5))。由于使用通过机器学习所生成的学习完毕模型，因此示出一岁这个年龄的理由并不清楚，但认为饲主的注意力低下、生长的速度等是主要原因。

[0172] 此外，在本实施方式中，第一预测单元和第二预测单元在相同的定时被一体地执行，因此饲主不会收到预测(4)而仅收到预测(5)。

[0173] 接着，对于预测(5)，建议单元建议了近处的动物医院A中的作为丝虫病预防药的莫昔克丁注射(预防计划(3))。在程序上，也能够探讨定期地让兽医给予即使有MDR1基因变异也不会发生伊维菌素中毒症的程度的所需最小限度的伊维菌素等其它建议，但是饲主的负担大、疾病风险也较高，因此排除该建议。

[0174] 并且，在本实施方式中，饲主提出了最好不是近处的动物医院而是频繁地去游玩的公园周边的动物医院这一要求，因此要求反映单元建议了公园周边的动物医院B中的莫昔克丁注射(预防计划(4))。还向饲主提供在动物医院B中有对伊维菌素中毒熟悉的兽医、诊断成绩也良好这一信息。