JP7645213B2 - 予防医療支援システム及び予防医療支援方法 - Google Patents

Description

本発明は予防医療支援システム及び予防医療支援方法に関する。

近年、予防医療として健康診断結果（健診結果）を有効に利用することが期待されている。特許文献１の健康管理支援装置では、複数のユーザの各々に関連付けて、健康診断の結果を表す情報を含む当該ユーザの健康状態を表す情報と、生活習慣を表す情報とを記憶する記憶媒体と、記憶された健康状態を表す情報に基づいて、複数のユーザの中から健康管理の支援対象となる第１のユーザを選択する第１の選択部と、記憶された健康状態を表す情報と、記憶された生活習慣を表す情報とに基づいて、複数のユーザの中から、選択された第１のユーザにとって目標となる健康状態を有する第２のユーザを選択する第２の選択部と、選択された第２のユーザの生活習慣を表す情報を記憶媒体から読み出し、当該読み出された生活習慣を表す情報に基づいて、第１のユーザの健康管理を支援するための支援情報を生成する支援情報生成部と、生成された支援情報を出力する情報出力部とを具備することが開示されている。

特許第６９５７３２４号公報

特許文献１は、個人に対する健康管理支援及び支援情報の提供を目的としているが、企業等の予防医療・健康経営施策は対象者に対して一律の施策だったのが現状である。これは、健診結果データ・ユーザ属性情報を活用し、対象者の属性・健康状態に沿った施策適用という観点から、十分に分析が行われていないという課題があった。

本発明は、前記した課題を解決するためになされたものであり、ユーザ属性（グループ）に対する健診結果の特徴を分析して、その結果を予防医療の継続判断や施策選定の意思決定に活用することができる予防医療支援システム及び予防医療支援方法を提供することを目的とする。

前記目的を達成するため、本発明の予防医療支援システムは、健診結果データをユーザ属性情報に基づきグループに分類する分類部と、前記グループの分類に関与する健診結果項目を抽出する機械学習部と、前記機械学習部が抽出した健診結果項目に対し、前記グループに対する健診結果のうち特徴ある健診結果を抽出する健診結果抽出部と、前記抽出した特徴ある健診結果を出力する出力処理部と、前記抽出した特徴ある健診結果について、前記グループ毎に有意差があるか統計的手法で検証を行う有意差検証部と、を有することを特徴とする。本発明のその他の態様については、後記する実施形態において説明する。

本発明によれば、ユーザ属性（グループ）に対する健診結果の特徴を分析して、その結果を予防医療の継続判断や施策選定の意思決定に活用することができる。

実施形態に係る予防医療支援システムを示すブロック図である。 健診結果データの例を示す図である。 ユーザ属性情報の例を示す図である。 ユーザ属性マスタの例を示す図である。 匿名部による匿名加工処理後の健診結果データとユーザ属性情報の例を示す図である。 匿名部による匿名加工処理の例を示す図である。 分析対象データの例を示す図である。 予防医療支援処理を示すフローチャートである。 健診結果項目（説明変数）の例を示す図である。 健診結果項目（説明変数）の例を示す図である。 健診結果項目（説明変数）の例を示す図である。 機械学習部による健診結果項目（説明変数）の重要度の例を示す図である。 健診結果抽出部による健診結果データの一覧情報を示すバイオリン図である。 クラスタ毎の中性脂肪の検査値を示すバイオリン図である。 クラスタ毎の中性脂肪の検査基準値に基づく特徴を示す図である。 出力処理部による出力例を示す図である。 有意差検証部による検証結果例を示す図である。

本発明を実施するための実施形態について、適宜図面を参照しながら詳細に説明する。
図１は、実施形態に係る予防医療支援システムＰＭＳＳを示すブロック図である。予防医療支援システムＰＭＳＳ（Preventive Medical Support System）は、ユーザ属性（グループ）に対する健診結果の特徴を分析して、その結果を予防医療の継続判断や施策選定の意思決定に活用することを目的としている。特に、本発明は「グループ全体を見て、現状の問題を見つける」ことを目的としている。

予防医療支援システムＰＭＳＳは、予防医療支援装置１００と事業所サーバ２００とから構成されている。予防医療支援装置１００と事業所サーバ２００とは、ネットワークＮＷを介して通信可能に接続されている。事業所は、商店、工場、事務所、営業所、銀行、支店、学校、寺院、病院、旅館、製錬所、鉱山、発電所等が該当する。

事業所サーバ２００は、顧客側の処理を支援するサーバであり、分析対象データ２１を作成する上での前処理を実施する。事業所サーバ２００は、処理部２１０と記憶部２２０を有している。記憶部２２０には、対象者の健診結果である健診結果データ２２１、対象者のユーザ属性を示すユーザ属性情報２２２、対象者を属性毎に分類する際に用いるユーザ属性マスタ２２３等が記憶されている。

ここで、ユーザ属性とは、事業所の分析に用いるための属性であり、例えば、事業所が複数の工場を有している場合、工場別が属性となる。具体的には、Ａ工場、Ｂ工場、Ｃ工場、Ｄ工場、Ｅ工場等となる。また、日本各地に分散している場合には、地域別が属性となる。具体的には、関東地域、中部地域、関西地域、中国地域、九州地域等となる。また、仕事の内容が多種ある場合には、職種別が属性となる場合もある。具体的には、営業職、開発職、流通職、管理職、総務職等である。

処理部２１０は、健診結果データをユーザ属性情報に基づきグループに分類する分類部２１１と、顧客の健診結果データ２２１、ユーザ属性情報２２２を匿名加工する匿名部２１２を有する。処理部２１０が匿名加工することで、予防医療支援装置１００側で、個人情報を取り扱わずに分析を実施可能となる。予防医療支援装置１００は、事業所サーバ２００に対し、匿名化ツールを提供する。なお、匿名部２１２は、分類部２１１の処理に含まれていてもよい。

匿名化ツールは、ハッシュアルゴリズムを使用し匿名化することで、匿名化後のデータ同士で名寄せ作業が可能である。ハッシュ化とは、ハッシュ関数を使用し、規則性のない不可逆性の固定長の値を求めてデータを置き換えることである。同じデータからは常に同じハッシュ値が得られるが、少しでもデータが異なるとまったく類似しない別のハッシュ値が生成される。

図２は、健診結果データ２２１の例を示す図である。健診結果データ２２１は、氏名、性別、生年月日、血圧収縮期、空腹時血糖、中性脂肪等の１５０項目の健診結果データ等を含んでいる。氏名、性別、生年月日は、後記する名寄せ作業のキー情報となる。

なお、心臓から大動脈へ血液を送り出している状態では、血液を押し出すために心臓は収縮し、押し出された血液によって大動脈の血管壁には圧力がかかる。血圧収縮期は、この状態の血圧をいう。

図３は、ユーザ属性情報２２２の例を示す図である。ユーザ属性情報２２２は、氏名、性別、生年月日、ユーザ属性コード等を含んでいる。氏名、性別、生年月日は、名寄せ作業のキー情報となる。

図４は、ユーザ属性マスタ２２３の例を示す図である。ユーザ属性マスタ２２３は、属性コード、属性名を含んでいる。図４では、属性名としてＸ群、Ｙ群、Ｚ群、Ｗ群等としている。属性名は前記したＡ工場、Ｂ工場、Ｃ工場、Ｄ工場、Ｅ工場等に対応する。

図５は、匿名部２１２による匿名加工処理後の健診結果データ２２１Ａとユーザ属性情報２２２Ａの例を示す図である。健診結果データ２２１Ａとユーザ属性情報２２２Ａは、キー情報のうち、氏名がハッシュ化され、生年月日も日付置換されている。生年月日が特定されないように日付を一律１日に変換されている。変換方法は、１日に限定されず、他の記号（例えば、＊＊）に変換されてもよい。

図６は、匿名部２１２による匿名加工処理Ｓ２１２の例を示す図である。匿名部２１２は、匿名加工処理Ｓ２１２により、健診結果データ２２１を健診結果データ２２１Ａに変換し、ユーザ属性情報２２２をユーザ属性情報２２２Ａに変換する。

図１に戻り、予防医療支援装置１００について説明する。
予防医療支援装置１００は、処理部１０、記憶部２０、入力部３０、出力部４０、通信部５０等を有する。処理部１０は、事業所サーバ２００から送付されたデータから分析対象データ２１を作成するデータ作成部１１と、グループの分類に関与する健診結果項目を抽出する機械学習部１２と、機械学習部１２が抽出した健診結果項目に対し、グループに対する健診結果のうち特徴ある健診結果を抽出する健診結果抽出部１３と、抽出した特徴ある健診結果を出力する出力処理部１４と、抽出した特徴ある健診結果について、グループ毎に有意差があるか統計的手法で検証を行う有意差検証部１５等を有する。

記憶部２０には、分析対象データ２１（図７参照）、健診結果項目重要度情報２２（図１０参照）、グループに対する健診結果情報２３（図１１参照）、出力情報２４（図１４参照）、健診結果項目２５（図９Ａ～図９Ｃ参照）、基準値によるクラスタ毎の割合２６（例えば、図１３参照）、基準値によるクラスタ毎の対象者数２７（例えば、図１３参照）等が記憶されている。基準値によるクラスタ毎の割合２６、基準値によるクラスタ毎の対象者数２７については、後述する。

図１において、処理部１０は、中央演算処理装置（ＣＰＵ）であり、ＲＡＭやＨＤＤ等に格納される各種プログラムを実行する。記憶部２０は、ＨＤＤであり、予防医療支援装置１００が処理を実行するための各種データを保存する。入力部３０は、キーボードやマウス等のコンピュータに指示を入力するための装置であり、プログラム起動等の指示を入力する。出力部４０は、ディスプレイ等であり、予防医療支援装置１００による処理の実行状況や実行結果等を表示する。通信部５０は、ネットワークＮＷを介して、他の装置と各種データやコマンドを交換する。

データ作成部１１は、事業所サーバ２００から送付された健診結果データ２２１Ａとユーザ属性情報２２２Ａから名寄せ処理をして分析対象データ２１を作成する。

図７は、分析対象データ２１の例を示す図である。分析対象データ２１は、ハッシュ化された氏名、性別、日付置換された生年月日、血圧収縮期、空腹時血糖、中性脂肪等の１５０項目の健診結果データ、ユーザ属性コード（属性コード）、属性名等を含んでいる。

図８は、予防医療支援処理Ｓ１００を示すフローチャートである。データ作成部１１は、前記したように、分析対象データ２１を作成する（処理Ｓ１１０）。機械学習部１２は、機械学習としてグループの分類に関与する健診結果項目を抽出し（処理Ｓ１２０）、健診結果項目の重要度を出力する（処理Ｓ１３０）。健診結果抽出部１３は、機械学習部１２が抽出した健診結果項目に対しグループ毎の健診結果を抽出し、グループに対する健診結果一覧を出力する（処理Ｓ１４０）。

健診結果抽出部１３は、グループに対応するクラスタの特徴を抽出する（処理Ｓ１５０）。特に、健診結果抽出部１３は、機械学習部１２が抽出した健診結果項目に対し、健診結果の基準値によるグループ毎の割合２６、前記基準値によるグループ毎の対象者数２７を算出する。出力処理部１４は、抽出した特徴ある健診結果であるクラスタの特徴を出力する（処理Ｓ１６０）。有意差検証部１５は、選択された２つのクラスタに有意差があるか統計的手法で検証を行い、有意差検証結果を出力する（処理Ｓ１７０）。

各部の詳細について説明する。
図９Ａ、図９Ｂ、図９Ｃは、健診結果項目（説明変数）の例を示す図である。図９Ａ～図９Ｃには、９９項目の健診結果項目２５が示されている。この中で、予防医療支援として重要な健診結果項目について絞り込む必要がある。

機械学習部１２は、大量の健診結果項目すべてに対して分析を行うのは現実的には困難なため、重要な項目に絞って分析を行うため、ユーザ属性を決定するのに重要な健診結果項目に絞ることを目的としている。

特徴量選択手法もしくは変数選択手法の一つに、Ｂｏｒｕｔａがある。機械学習部１２は、特徴量選択手法（Ｂｏｒｕｔａ）の使用により重要な項目を、重要度をもとに絞っている。その際重要度の分位点を実分析が可能な項目数になるようにチューニングを実施する。

図１０は、機械学習部１２による健診結果項目（説明変数）の重要度の例を示す図である。図１０は、機械学習による絞り込み結果を示す。図１０を参照すると、健診時年齢、ＢＭＩ_検査値、腹囲_検査値、血液一般・赤血球数_検査値、・・・、中性脂肪_検査値_、空腹時血糖_検査値、・・・等が重要であることがわかる。

図１１は、健診結果抽出部１３による健診結果データの一覧情報２３ａを示すバイオリン図である。各図は、横軸は、グループに対応するクラスタ（ＣＬ）を示し、縦軸に各健診結果データを示す。各図のクラスタは、左からＣＬ１，ＣＬ２，ＣＬ３，ＣＬ４，ＣＬ５とし、５つのクラスタを示している。バイオリン図は箱ヒゲ図と密度曲線を融合したチャートで、箱ヒゲ図と同じく数値データの分布を表現するのに加え、平均値も可視化される。そして、分布を密度曲線でも表しているチャートになる。バイオリン図の内部には平均（または中央値）と四分位範囲が描かれる。健診結果抽出部１３は、各クラスタの平均値の変化、分布度合い等を調べ、重要となる健診結果データを詳細に抽出する。
なお、図１１では５つのクラスタの例を示しているが、これに限定されているわけではない。分類部２１１（図１）で分類したグループ数に合わせて適宜変更してもよい。

図１２は、クラスタ毎の中性脂肪の検査値を示すバイオリン図である。横軸は、ＣＬ１，ＣＬ２，ＣＬ３，ＣＬ４，ＣＬ５とし、５つのクラスタを示し、縦軸に中性脂肪の検査値を示す。健診結果データ２３ｂの突出値を除外した場合が、健診結果データ２３ｃである。健診結果データ２３ｂの（１）をみるとクラスタ毎の中央値にはほとんど差がないが、ＣＬ２・ＣＬ３はばらつきが大きい。健診結果データ２３ｃの（２）をみると、ＣＬ４・ＣＬ５については他クラスタに比べて低い値にまとまっている傾向が見られる。

図１３は、クラスタ毎の中性脂肪の検査基準値に基づく特徴を示す図である。図１３には、基準値によるクラスタ毎の割合２６と基準値によるクラスタ毎の対象者数２７が示されている。基準値によるクラスタ毎の割合２６の（３）をみると、中性脂肪基準値（３０～１４９ｍｇ／ｄｌ：正常）を超えている対象者の割合は、ＣＬ２が最も多く、ＣＬ５が最も少ない結果となっている。

図１４は、出力処理部１４による出力例を示す図である。出力部４０の表示画面には、中央部に健診結果抽出部１３が抽出した健診結果データの表示領域２４Ｗ、下部にタスクバーがある。タスクバーには、名寄せアイコン２４Ａ、機械学習アイコン２４Ｂ、全体表示アイコン２４Ｃ、選択表示アイコン２４Ｄ、特徴抽出アイコン２４Ｅ、有意差検証アイコン２４Ｆ、戻りボタン２４Ｍ、進むボタン２４Ｎ等がある。

名寄せアイコン２４Ａがクリックされると、データ作成部１１の処理が開始し、名寄せ処理を実行し、事業所サーバ２００から送付されたデータから分析対象データ２１を作成する。機械学習アイコン２４Ｂがクリックされると、機械学習部１２の処理が開始し、グループ（クラスタ）の分類に関与する健診結果項目を抽出する。

全体表示アイコン２４Ｃがクリックされると、健診結果抽出部１３の処理が開始し、機械学習部１２が抽出した健診結果項目に対し、重要度の高い健診結果項目について全体表示する（図１１参照）。全体表示の一覧画面において、ユーザが健診結果項目について画面上でクリックし、選択表示アイコン２４Ｄがクリックされると、健診結果が拡大表示される。複数の健診結果項目が選択されると、複数の健診結果が表示される。

全体表示又は拡大表示で、ユーザが健診結果項目について画面上でクリックし、特徴抽出アイコン２４Ｅがクリックされると、健診結果抽出部１３がグループに対する健診結果のうち特徴ある健診結果を抽出し、図１４のように表示される。

図１４において、ユーザが二つのクラスタを画面上でクリックし、有意差検証アイコン２４Ｆがクリックされると、有意差検証部１５が抽出した特徴ある健診結果について、グループ（クラスタ）毎に有意差があるか統計的手法で検証を行う。本実施形態では、その１例として、Ｆ検定、ｔ検定の例を示す。

図１５は、有意差検証部１５による検証結果例を示す図である。有意差検証部１５では、選択したクラスタの検査値に有意差があるかの検証をＦ検定、ｔ検定により実施する。図１５の例では、（１）Ｆ－検定：２標本を使った分散の検定を実施している。ここでは、図１３に基づき、ＣＬ２とＣＬ５が選択された場合を示す。ＣＬ２とＣＬ５の２標本を使った分散結果について、Ｐ値が０．０５未満なので、帰無仮説（分散は等しい）は棄却された。よって、「ＣＬ２とＣＬ５の中性脂肪検査値の分散は等しくない」と判定されている。

次に、有意差検証部１５は、（２）分散が等しくないと仮定した場合のｔ検定を実施する。Ｐ値が０．０５（有意水準）未満なので、帰無仮説は棄却された。つまり、「ＣＬ２とＣＬ５で中性脂肪の検査値に有意差がある」と判定されている。
有意差検証部１５の検証結果より、ユーザは選択したクラスタの検査値に有意差があるか確認することができる。

以上説明した本実施形態の予防医療支援システムは、次の特徴を有する。
（１）本実施形態の予防医療支援システムＰＭＳＳは、健診結果データをユーザ属性情報に基づきグループに分類する分類部２１１と、グループの分類に関与する健診結果項目を抽出する機械学習部１２と、機械学習部１２が抽出した健診結果項目に対し、グループに対する健診結果のうち特徴ある健診結果を抽出する健診結果抽出部１３と、抽出した特徴ある健診結果を出力する出力処理部１４と、抽出した特徴ある健診結果について、グループ毎に有意差があるか統計的手法で検証を行う有意差検証部１５と、を有することを特徴とする。これにより、ユーザ属性（グループ）に対する健診結果の特徴を分析して、その結果を予防医療の継続判断や施策選定の意思決定に活用することができる。

本実施形態では、予防医療支援装置１００と事業所サーバ２００とに分けて説明したがこれに限定されるわけではない。予防医療支援装置１００が、分類部２１１を有していてもよい。

（２）分類部２１１は、健診結果データとユーザ属性情報とに含まれる氏名を、ハッシュアルゴリズムを使用することにより匿名化する。これにより、個人情報を取り扱わずに分析できる。

（３）機械学習部１２は、ユーザ属性情報を目的変数とし、健診結果項目を説明変数とし、健診結果項目を重要度順に出力する。これにより、例えば１５０項目に及ぶ多数の健診結果項目から重要な項目に絞り込むことができる。

（４）健診結果抽出部１３は、機械学習部１２が抽出した健診結果項目に対し、健診結果の基準値によるグループ毎の割合、前記基準値によるグループ毎の対象者数を算出することができる。これにより、グループ毎（クラスタ毎）の相違点が明確になる。

（５）出力処理部１４は、横軸に分類されたグループとし、縦軸に健診結果項目の健診値とした数値データの分布及び平均値を含む図を表示部に表示する。これにより、ユーザはグループ毎（クラスタ毎）の相違点を把握することができる。本実施形態では、予防医療支援装置１００の出力部４０（表示部）に表示するとして説明したがこれに限定されない。Ｗｅｂサーバを介して、事業所サーバ２００から閲覧可能にしてもよい。

（６）有意差検証部１５は、グループ（クラスタ）の分散が等しいか否かの検定をし、分残が等しくないと仮定した場合の検定をし、グループ毎に有意差があるか否かの検証を行う。これにより、選択された二つのグループの分布に相違点があるか否かを把握することができる。

（７）ユーザ属性情報は、ユーザの身体的・社会的特徴を示す情報である。本実施形態では、企業内の予防医療として、工場別、地域別、職種別等で説明したが、これに限定されない。病院毎等のグループ分析に利用することができる。

（８）健診結果の特徴を分析する予防医療支援装置の予防医療支援方法であって、予防医療支援装置は、健診結果データをユーザ属性情報に基づきグループに分類し、グループの分類に関与する健診結果項目を抽出し、抽出した健診結果項目に対し、グループに対する健診結果のうち特徴ある健診結果を抽出し、抽出した特徴ある健診結果を出力し、抽出した特徴ある健診結果について、グループ毎に有意差があるか統計的手法で検証を行うことを特徴とする。これにより、ユーザ属性（グループ）に対する健診結果の特徴を分析して、その結果を予防医療の継続判断や施策選定の意思決定に活用することができる。

１０ 処理部
１１ データ作成部
１２ 機械学習部
１３ 健診結果抽出部
１４ 出力処理部
１５ 有意差検証部
２０ 記憶部
２１ 分析対象データ
２２ 健診結果項目重要度情報
２３ グループに対する健診結果情報
２４ 出力情報
３０ 入力部
４０ 出力部（表示部）
５０ 通信部
１００ 予防医療支援装置
２００ 事業所サーバ
２１０ 処理部
２１１ 分類部
２２０ 記憶部
２２１ 健診結果データ
２２２ ユーザ属性情報
２２３ ユーザ属性マスタ
ＮＷ ネットワーク
ＰＭＳＳ 予防医療支援システム

Claims (8)

1. 健診結果データをユーザ属性情報に基づきグループに分類する分類部と、
   前記グループの分類に関与する健診結果項目を抽出する機械学習部と、
   前記機械学習部が抽出した健診結果項目に対し、前記グループに対する健診結果のうち特徴ある健診結果を抽出する健診結果抽出部と、
   前記抽出した特徴ある健診結果を出力する出力処理部と、
   前記抽出した特徴ある健診結果について、前記グループ毎に有意差があるか統計的手法で検証を行う有意差検証部と、を有する
   ことを特徴とする予防医療支援システム。
2. 前記分類部は、健診結果データとユーザ属性情報とに含まれる氏名を、ハッシュアルゴリズムを使用することにより匿名化する
   ことを特徴とする請求項１に記載の予防医療支援システム。
3. 前記機械学習部は、前記ユーザ属性情報を目的変数とし、前記健診結果項目を説明変数とし、前記健診結果項目を重要度順に出力する
   ことを特徴とする請求項１に記載の予防医療支援システム。
4. 前記健診結果抽出部は、前記機械学習部が抽出した健診結果項目に対し、健診結果の基準値によるグループ毎の割合、前記基準値によるグループ毎の対象者数を算出する
   ことを特徴とする請求項１に記載の予防医療支援システム。
5. 前記出力処理部は、横軸に前記分類されたグループとし、縦軸に前記健診結果項目の健診値とした数値データの分布及び平均値を含む図を表示部に表示する
   ことを特徴とする請求項１に記載の予防医療支援システム。
6. 前記有意差検証部は、前記グループの分散が等しいか否かの検定をし、分散が等しくないと仮定した場合の検定をし、前記グループ毎に有意差があるか否かの検証を行う
   ことを特徴とする請求項１に記載の予防医療支援システム。
7. 前記ユーザ属性情報は、ユーザの身体的・社会的特徴を示す情報である
   ことを特徴とする請求項１乃至請求項５のいずれか１項に記載の予防医療支援システム。
8. 健診結果の特徴を分析する予防医療支援装置の予防医療支援方法であって、
   前記予防医療支援装置は、
   健診結果データをユーザ属性情報に基づきグループに分類し、
   前記グループの分類に関与する健診結果項目を抽出し、
   前記抽出した健診結果項目に対し、前記グループに対する健診結果のうち特徴ある健診結果を抽出し、
   前記抽出した特徴ある健診結果を出力し、
   前記抽出した特徴ある健診結果について、前記グループ毎に有意差があるか統計的手法で検証を行う
   ことを特徴とする予防医療支援方法。

Images