JP2021157307A - 勧奨通知最適タイミング算出方法、及び勧奨通知最適タイミング算出システム - Google Patents

Abstract

【課題】医療保険機関が実施する各種の医療行為や健康診断の受診を促す被保険者への勧奨通知業務の実効性をより高め、被保険者の受診率を更に向上させる勧奨通知最適タイミング算出方法及び勧奨通知最適タイミング算出システムを提供する。【解決手段】医療保険機関が実施する各種の医療行為や健康診断の受診を促す被保険者への勧奨通知タイミングの最適化方法であって、被保険者に係る複数の特徴量から抽出された説明変数と、前記説明変数に基づく回帰分析又は機械学習によって、個々の被保険者に対する前記勧奨通知の最適時期を目的変数として算出するか又は時期毎の勧奨効果の大きさを示すスコアを目的変数として算出する。【選択図】なし

Description

本発明は、医療保険機関が実施する各種の医療行為や健康診断の受診を促す被保険者に対する勧奨通知の実効性を高めるための勧奨通知最適タイミング算出方法、及び勧奨通知最適タイミング算出システムに関する。

我が国における医療費は毎年増加し続け、既に４０兆円を突破し、高齢化の進展に伴って今後も増え続けることが予想されている。中でも、国民の多数が加入する国民健康保険は、主として地方自治体（都道府県及び市区町村）が運営する公的保険であり、医療費の増加は、自治体の財政及び国家財政に対して大きな負担となっている。

増え続ける医療費の削減に向けて、各自治体は被保険者である住民の健康維持、病気の早期発見・早期治療を目的とした特定健診及び特定保健指導を毎年実施しているものの、告知や通知によっても受診しない住民が多数存在する。

こうした状況を踏まえ、各自治体は、受診を促す勧奨通知を郵送しているが、予算や人員の制約があるため、全ての被保険者に通知する余裕が無く、限られた予算及び人員の中で、最も効果的な勧奨通知を行うことが求められている。

従来、被保険者の健康状態に基づいて実施した保健事業の評価を支援するシステム（特許文献１）、複数の対象者の所定期間における健康診断の測定値又は受診履歴に基づいて対象者の新たな健診情報に基づく値とモデルとを用いてリスクの評価値を算出するシステム（特許文献２）、ある健康診断を受診可能な複数の団体に含まれるそれぞれの団体の検診の過去の受診率情報に応じて団体の組み合わせを決定し、該決定した組合せに含まれる団体を前記ある健康診断を受診する対象の団体として抽出するシステム（特許文献３）等が知られているが、効果的な健診勧奨通知を支援する方法（システム）は存在しなかった。

本発明者らは上記した課題を解決するため、過去の健診データを基にして、特定の国民健康保険又は特定の健保組合等に加入する被保険者の受診確率を計算し、勧奨通知をしなくても健康診断を受診する可能性の高い者、又は勧奨通知をしても健康診断を受診する可能性の低い者を特定して排除し、残った被保険者、即ち、勧奨通知をすることによって受診する可能性がある者を確度高く選定し、勧奨通知業務を効率化する発明を提案している（特許文献４）。

上記の発明によれば、勧奨通知を発送することによって受診可能性が高くなる被保険者グループを特定することで、勧奨通知に係る事務作業を効率化し、予算及び人員の適正化を図ることができる。また、結果として健康診断を受診する被保険者が増えることで、医療費の削減にも繋げることができるものの、上記のシステムによる勧奨通知発送の効率化を持ってしてもなお、受診率を大きく増加させる（実効性を上げる）ことは難しいのが現状である。

特開２０１６−１７７６４４号公報 特開２０１７−１１７４６９号公報 特開２０１４−１０２７９７号公報 特許第６５４８２４３号

一般的に、被保険者に対する自治体等の保険者による勧奨通知は、年に１回、又は年に数回に分けて発送されている。年に数回に分けて発送する場合（例えば、春、夏、秋の３回に分けて発送する場合）、年齢順や居住地域ごとに分けるなど、作業効率のみに基づいて単純にグループ分けしているに過ぎず、そのグルーピング作業には、受診率向上を目的とした何等かの合理的理由（工夫）が存在するわけではない。

各自治体による勧奨通知の発送量は該当する被保険者の数、或いは特許文献４の発明によって絞り込んだ数であるが、それでも数千から数万に上ることから、受診率が１〜２％向上することによって受診者の絶対数は大きく変化する。即ち、勧奨通知業務によって向上する受診率は、数パーセントの向上であっても、絶対値として大きな効果を生むものである。

本発明者らは、自治体による特定健診に係る勧奨通知等に際し、特許文献４に記載の発明に加えて、個々の被保険者ごとに勧奨通知の発送時期（タイミング）によって受診するか否かの結果が相違するのではないか？との仮説を立て、複数の自治体で過去に実施した特定健診の勧奨通知と実際の受診結果について、いくつかの特徴量（性別、年齢、職業、家族構成、既往症の有無、過去の受診日など）にもとづいてデータマイニングを用いて分析したところ、個々の被保険者ごとに勧奨通知の時期と実際に受診したかどうかに、一定の関係があることが判明した。

即ち、被保険者個々人の特徴量に基づく線形回帰、ロジスティック回帰、サポートベクトル回帰等の回帰分析によって、目的変数として「最適な発送時期」を得ることができることが判明した。なお、目的変数とする「最適な発送時期」とは、日単位、週単位、月単位、年四半期単位、年半期単位、或いは年単位として表すことができる。また「時期ごとの勧奨効果の大きさを示すスコア」を目的変数として算出することも可能であり、この場合のスコアとは、確率値やポイント（単純な数値）であっても良い。

発明者らは、全国５１カ所の自治体で実施した合計９３３３３件の勧奨通知数（年間の発送回数は自治体の予算によって異なっているため、４自治体で年１回、３２自治体で年２回、１３自治体で年３回、１自治体で年４回、１自治体で年７回に分けて発送したものである）と、実際に受診した結果を検証に使用した。勧奨通知を発送した被保険者は、各発送時期においてランダムに抽出したものである。

図１は、検証用の予測モデルの概要を示している。目的変数である日付ごとのスコアは、各日付について別々の回帰モデルを作成することによって求められる。予測には過去三年分の受診歴データと所属する自治体を説明変数として使用した。

まず、図２に示すように、過去の受診日データを日付ごとに別のカラムに分解し、実際に受診した日のカラムのみの値を１にするｏｎｅ−ｈｏｔ ｅｎｃｏｄｉｎｇを行なった。これによって、過去の受診日の勧奨効果に対する寄与が、その受診日に該当するカラムの回帰係数として表現することができる。

また、３年分の受診歴データを年ごとに別々にｏｎｅ−ｈｏｔ ｅｎｃｏｄｉｎｇすることにより、各年の受診日に対して別々の重みを付与した。ここで受診日データをｏｎｅ−ｈｏｔ ｅｎｃｏｄｉｎｇするのではなく、年度始めからの日数などの、基準となる時点からの差をとった数値データとして使用することもできる。その場合は線形回帰を使用すると受診日が早いほど勧奨効果が高くなる、あるいはその逆に低くなる、という結果になってしまうため、こういった場合はニューラルネットワークや勾配ブースティング決定木やランダムフォレストなどの入力に対して非線形な出力をする機械学習モデルを使用する必要がある。

過去の受診歴は個人の受診傾向を表す説明変数であるが、対象者が属する集団の受診傾向も最適勧奨時期の予測には重要であるため、図３に示すとおり、個人の特徴量で層別した集団（自治体別）の受診傾向も説明変数として使用した。説明変数の作り方としては受診歴の場合と同じく、各受診日をカラムとして並べ、対応する集団の対象者全体の過去の受診日ごとの人数を集計し、それを対応するカラムの値とした。

この操作は、ある集団に属する人が一般的に受診しやすい日を表す説明変数を作成するものである。そのため、自治体、年齢、性別、職業、住所、家族構成、既往症の有無、過去の受診歴、過去の治療歴、過去の薬剤購入歴、課税区分、健康保険加入日など、あらゆる特徴量で層別し、集計を行うことができる。ただし、あまりに多くの特徴量で層別すると一つの層のデータ量が少なくなり、精度に悪影響を及ぼす。

そのため、上記の検証では所属する自治体と受診歴と国民健康保険加入日のみで層別した。受診歴では対象者を（１）３年連続で受診している人、（２）３年間で１回または２回のみ受診している人、（３）３年間で一度も受診していない人、に分割した。その後、（３）の対象者を、（３−ａ）３年間で一度も受診していない人であって前年度に国民健康保険に加入した人、と（３−ｂ）３−ａには該当しない人、にそれぞれ分割した。（３）の集団を国民健康保険加入日で分割したのは、前年度に加入した人とそうでない人で大きく受診傾向が異なるからである。使用したデータにおいては、（１）の割合が５．９％、（２）の割合が４３％、（３−ａ）の割合が５．７％、（３−ｂ）の割合が４５％であった。

以上の受診歴と健康保険加入日の層別を、さらに自治体ごとに層別し、受診傾向の集計を行った。集計結果をそのまま使用すると人数の多い集団と少ない集団で値が大きく異なってしまうため、集計結果をその集団全体の受診人数で割って正規化を行ない、これを説明変数とした。

ここで、層別して集計するのではなく、機械学習を用いて受診傾向を予測するモデルを使うこともできる。この方法は、モデルのチューニングなどの追加コストが発生するものの、多くの特徴量を用いることでより正確な受診傾向の推定を行うことができる。

加工した後の説明変数は、昨年度４月１日の受診の有無、昨年度４月２日の受診の有無、・・・昨年度３月３１日の受診の有無、一昨年度４月１日の受診の有無、・・・一昨年度３月３１日の受診の有無、一昨々年度４月１日の受診の有無、・・・一昨々年度３月３１日の受診の有無、所属集団の４月１日の受診傾向、・・・所属集団の３月３１日の受診傾向の１４６０個である（閏年の２／２９は２／２８日に含めた）。

各説明変数をＸｎ（ｎ＝１、２、・・・１４６０）とし、対応する重みをＷｎとすると、勧奨効果のスコアを表すＹは、Ｙ＝ΣＷｎＸｎで表される。ここで、上記分析では個人ごとに相対的に勧奨効果が高い日を算出することを目的としたため切片はつけていない。ＹとＷｎは勧奨効果を推定したい時期の数だけ必要である。検証では、１年間の日付ごとの勧奨効果を算出するため、Ｙを３６５日分算出した。

以上の方法により、一年間の日付ごとに回帰モデルを作成し勧奨効果の大きさを表すスコアを計算した。効果の大きい順に１年間の日付を並べた時に上位５０日に当たる日付に勧奨を実施した群を最適勧奨群とし、それ以外の日に勧奨を行なっている対象者を図中の非最適勧奨群として比較を行なった。その結果、図４に示するように、算出した最適な時期に発送した者（集団）の受診率と、算出した最適な時期に発送していなかった者（集団）の受診率との間に、２．４ポイントの差があった。

上記の検証は、過去の発送実績が、４自治体で年１回、３２自治体で年２回、１３自治体で年３回、１自治体で年４回、１自治体で年７回に分けた勧奨通知対象者を完全ランダムに抽出したものであることから、結果として、発送実験と等価であり、最適な時期に発送した者（集団）と、最適な時期に発送していなかった者（集団）が形成され、疑似的発送実験と位置付けることができる。また、全発送数は９３３３３件、最適勧奨群は２６７１６件で受診率５５．１％、非最適勧奨群は６６６１７件で５２．７％であることから、統計学的に有意水準であって、その結果は偶然又は誤差ではない。実験の結果明らかになった２．４ポイントの差は受診率を向上させる効果として極めて大きなものであり、実効性があることを証明できる。

また、本発明は特許文献４に記載された抽出方法との組み合わせによって、更に大きな効果を生むものであることも判明した。上記の分析において、受診確率が４０〜６０％と判定され、優先的に送付すべきと判断された層に限定して検証を行なったところ、全発送数は１３２１５件、最適勧奨群は２９２０件で受診率６８．６％、非最適勧奨群は１０２９５件で受診率６３．２％であり、受診率の向上効果は５．４％であった。

上記の検証は、自治体による特定健診に係る勧奨通知の結果に基づいて行ったものであるが、被保険者に対する勧奨通知効果は、特定健診に限らず、医療保険機関が実施する各種の医療行為に対しても同様の効果を生むことは、個別の検証をするまでもなく明らかである。

本発明は、医療保険機関が実施する各種の医療行為や健康診断の受診を促す被保険者への勧奨通知業務の実効性をより高め、被保険者の受診率を更に向上させる勧奨通知最適タイミング算出方法、及び勧奨通知最適タイミング算出システムを提供することを目的とする。

上記目的を達成するため、本願の第一の発明は、医療保険機関が実施する各種の医療行為や健康診断の受診を促す被保険者への勧奨通知最適タイミング算出方法であって、被保険者に係る複数の特徴量から抽出された説明変数と、前記説明変数に基づく回帰分析又は機械学習によって、個々の被保険者に対する前記勧奨通知の最適時期を目的変数として算出する、又は時期ごとの勧奨効果の大きさを示すスコアを目的変数として算出する、ことを特徴とする。

上記目的を達成するため、本願の第二の発明は、医療保険機関が実施する各種の医療行為や健康診断の受診を促す被保険者への勧奨通知最適タイミング算出システムであって、システムを管理するサーバーと、前記サーバー内に構築される被保険者データベースと、前記サーバー内に記録される勧奨通知の最適タイミングを算出する処理プログラムを含み、前記処理プログラムは、被保険者に係る複数の特徴量から複数の説明変数を抽出し、前記説明変数に基づく回帰分析又は機械学習によって、個々の被保険者に対する前記勧奨通知の最適時期を目的変数として算出する、又は時期ごとの勧奨効果の大きさを示すスコアを目的変数として算出する、ことを特徴とする。

本願発明によれば、これまで被保険者の個人差を無視し、単純なグルーピングによって行っていた勧奨通知の発送業務を、個々の被保険者の特性に応じ、受診意欲、受診意思を刺激するタイミングで勧奨通知を発送することにより、受診率を有意に向上させることができる。

また本発明で言う勧奨通知は、特定健診に対する受診勧奨のみならず、特定の治療を受けさせるための通院勧奨、薬剤の投与を適正化するための薬剤処方勧奨等のあらゆる勧奨通知であり、本発明はこうしたあらゆる勧奨通知の最適タイミング算出に適用することができる。

勧奨効果予測モデルの概念図 過去の受診日データを日付ごとに別のカラムに分解した図 自治体別の受診傾向を示す図 検証結果の比較を示す図 勧奨通知タイミング最適化システムの概要図 治療基準日から次回治療とその先の全治療の予測日数を日毎の列に分解して２値化した図 実施例３に係る全体の処理構成を示す図 実施例３に係るニューラルネットワークの構成を示す図

以下、本発明の実施形態について詳細に説明する。本発明に係る勧奨通知の最適タイミング算出方法を実現する最適タイミング算出システム１は、図５に示すとおり、サーバー２と、当該サーバー２内に構築される被保険者の個人情報データベース３と、処理プログラム４から構成される。個人情報データベース３には、被保険者に関する年齢、性別、職業、住所、家族構成、受診歴、既往歴、薬剤歴、健康保険加入日、課税区分等に係る各種の情報が記録されている。

実施例１
実施例１は、自治体による特定健診の受診勧奨通知を年３回に分けて行うケースにおいて、処理プログラム４として機械学習による処理プログラムを用い、これによって最適な勧奨時期（勧奨タイミング）を算出する方法である。なお機械学習モデルには、勾配ブースティング決定木を使用する。機械学習で使用する説明変数は、被保険者の個人情報データベース３から抽出される年齢、性別、職業、住所、家族構成、受診歴、健康保険加入日である。

年齢は整数値で表す。性別は、男性であれば０、女性であれば１のように２値化して使用する。職業は無職であれば０、自営業であれば１、会社員であれば２、・・・のように、カテゴリごとに分け、それぞれを整数値で表す。住所は郵便番号ごとに０、１、２、・・・のようにそれぞれを整数値で表す。家族構成は、同じ健康保険に加入している家族の人数を数え、整数値で表す。受診歴は、過去３年間で、各年度の開始日から何日後に受診したかを整数値で表す。

受診していなかった場合には−１を補完しておくが、これは受診していたら決して取り得ない数値であればどんな値でも良い。健康保険加入日は、予測をしたい年度の開始日を基準とし、そこから何日前に健康保険に加入したのかを整数値で表す。以上の９個の説明変数を用いる。

目的変数は、予測したい年度の受診の有無を使用する。次に、教師データとして過去に実施した勧奨の結果を用いて学習を行う。学習データは過去に勧奨を行なった月ごとに分割しておき、各月に対応するデータを用いて学習を行い、１２個のモデルを作成する。これらのモデルはある月に勧奨を行なった場合に、対象者がその年度内に受診する確率（確率値）を予測するものであるため、これを月ごとの勧奨効果の大きさを表すスコアとみなすことができる。このスコアが最も高い月が対象者にとっての最適な勧奨月である。年に３回通知発送を行う場合は、全ての対象者について最適勧奨月を算出し、最適な人が多い月を３つ選び、それぞれのタイミングで最適な対象者に送付する。また、３つのいずれの月も最適でない対象者については、選ばれた３つの月の中で最もスコアの高い月を選定すれば良い。

実施例２
実施例２は、治療を必要とする被保険者への勧奨通知であり、最適な勧奨タイミングを回帰分析によって算出する方法である。特定健診によって糖尿病傾向にあると判定されたものの、適切な治療を受けずに病状が悪化し、人工透析が必要になった場合、莫大な医療費がかかることになる。そのため、治療が必要と明らかになった段階で勧奨を行うことで早期の治療に繋がり、ひいては医療費全体の削減にも繋げることができる。

この勧奨の最適時期を予測するために、処理プログラム４は回帰分析によるスコア算出を行うものであり、１年間の日付ごとに回帰モデルを作成する。回帰分析に使用する説明変数は、被保険者の個人情報データベース３から抽出される年齢、性別、過去の健康診断受診歴、過去の治療歴である。

過去の治療歴は、過去１年間の内科系の治療歴（糖尿病未治療者であるため、糖尿病の治療歴は含まれない）を抽出し、治療とその次回の治療の平均間隔日数を算出する。直近の治療日からその平均間隔日数だけ経過した時に周期的に治療を受けると考え、基準日から次回の治療とその先の全ての治療の予測日数を日毎の列に分解して２値化する。

平均間隔が小数になる場合には四捨五入する。これを図６に示す。次に、集団としての糖尿病治療の受診傾向を算出するため、過去の健康診断受診歴からＨｂＡ１ｃが同程度で１０歳刻みの年齢・性別・所属する自治体が同じ集団を抽出し、１年間の日付ごとにその日に糖尿病治療を開始した人の数を集計した後、合計が１になるように正規化して説明変数とする。

以上のように、４月１日の内科受診予測、４月２日の内科受診予測、４月３日の内科受診予測、・・・３月３１日の内科受診予測、集団の４月１日の治療開始傾向、集団の４月２日の治療開始傾向、・・・集団の３月３１日の治療開始傾向の７３０個の説明変数を用いて、３６５個のモデルを作成する。これらの説明変数をＸｎ（ｎ＝１、２、・・・７３０）、過去の勧奨結果を元に定めた回帰係数をＷｎとすると、勧奨効果のスコアを表すＹを、Ｙ＝ΣＷｎＸｎで表すことができ、これを用いてスコアを算出する。当該スコアを基にして、最適な勧奨タイミングを決定し、勧奨通知を発送する。なお、予め最適タイミングとしてのスコアを定めておけば（或いは最大スコアを最適タイミングと定めておけば）、これに基づいて最適時期を目的変数として算出することもできる。

実施例３
実施例３は、多種類の薬剤を服用している被保険者に対する勧奨通知であり、最適な勧奨タイミングを回帰分析と機械学習の組み合わせによって算出する方法である。特に高齢者において薬を多種類服用することにより転倒等のリスクが上昇することが指摘されており、薬を多種類服用している個人に対して医師に相談するように勧奨を行い、医師の判断によって投薬量を適正化し、健康増進と医療費削減につなげることができる。

本実施例では、薬剤受取に係る最適な勧奨日を予測するために、処理プログラム４は回帰分析と機械学習を組み合わせたものである。全体の処理構成を図７に示す。回帰分析と機械学習で使用する説明変数は、被保険者の個人情報データベース３から抽出される年齢、性別、職業、課税区分、既往症の有無、過去の治療歴、過去の薬剤購入歴である。

まず、機械学習を用いて受診日の予測を行う。予測を行う年度から見て過去２年分の対象者のデータを用意し、２年前のデータを説明変数、１年前のデータを目的変数とし、これを教師データとする。予測の際は１年前のデータを説明変数とする。

治療歴の医療機関受診日については、１年間の日付毎の列に分解し、各列に対応する日付に医療機関を受診していれば１、そうでなければ０を入れる。治療歴の傷病については、各傷病に対応する対象者の数を集計し、多い順に１００傷病のみを使用する。選ばれた傷病を１００列に分解し、列に対応する傷病の治療歴を持っている場合は１、そうでなければ０を入れる。

薬剤購入歴についても同様に、購入歴のある対象者を集計し、多い順に１００薬剤のみを使用し、１００列に分解し、対応する薬剤の購入歴があれば１、そうでなければ０を入れる。年齢はそのまま整数値として扱う。性別は、男性であれば０、女性であれば１のように２値化して使用する。職業は無職であれば０、自営業であれば１、会社員であれば２、・・・のように、カテゴリごとに分け、それぞれを整数値で表す。

課税区分として所得から換算される住民税の課税状況を使用する場合、非課税か課税かの分類と、課税であれば所得毎（例えば世帯収入２１０万円以下、２１０万円超から６００万円、６００万円超から９０１万円、９０１万円以上の４分類など）に分類されるため、これを整数値の説明変数として非課税を０とし、課税の場合所得の低い順に１、２、・・・と割り当てる。

以上のように、４月１日の医療機関受診の有無、４月２日の医療機関受診の有無、・・・３月３１日の医療機関受診の有無、１番目に多い傷病の有無、２番目に多い傷病の有無、・・・１００番目に多い傷病の有無、１番目に多い薬剤購入の有無、・・・１００番目に多い薬剤購入の有無、年齢、性別、職業、課税区分の５６９個の説明変数を使用する。

目的変数としては次の年の４月１日の医療機関受診の有無、４月２日の医療機関受診の有無、・・・３月３１日の医療機関受診の有無を使用する。予測には３層のニューラルネットワークを使用し、各隠れ層のノード数は３００、 入力層のノード数は５６９、出力層のノード数は３６５である。

活性化関数には出力層にｓｉｇｍｏｉｄ関数、隠れ層にはＲｅＬｕを用いる。学習の際は誤差関数に交差エントロピーを用い、最適化アルゴリズムとしてＡｄａｍを使用する。活性化関数、誤差関数、最適化アルゴリズムは必ずしもこれらを使用する必要はなく、また、適宜ＤｒｏｐｏｕｔやＢａｔｃｈ Ｎｏｒｍａｌｉｚａｔｉｏｎを各層に追加することでより安定的に学習を行うことができる。

予測の際に得られる出力は３６５日分の、各日付に医療機関を受診する確率である。このニューラルネットワークの構成を図８に示す。得られた確率を説明変数とし、Ｘｎ（ｎ＝１、２、・・・３６５）で表し、過去の勧奨結果を元に定めた回帰係数をＷｎとすると、勧奨効果のスコアを表すＹを、Ｙ＝ΣＷｎＸｎで表すことができ、これを用いてスコアを算出する。当該スコアを基にして、最適な勧奨タイミングを決定し、勧奨通知を発送する。なお、予め最適タイミングとしてのスコアを定めておけば（或いは最大スコアを最適タイミングと定めておけば）、これに基づいて最適時期を目的変数として算出することもできる。

以上の実施例とおり本願発明によれば、個々の被保険者の特性に応じ、受診意欲、受診意思を刺激するタイミングで勧奨通知を発送することにより、受診率を有意に向上させることができる。また勧奨通知は、特定健診に対する受診勧奨のみならず、特定の治療を受けさせるための通院勧奨、薬剤の投与を適正化するための薬剤処方勧奨等、あらゆる勧奨通知に適用することができる。

本願発明に係る方法は、上記実施例で示したように、いずれもコンピュータを利用した適宜な処理システムとして実施することができ、被保険者の個人情報、過去の受診歴、治療歴、薬剤歴等のデータと、回帰分析や機械学習等の処理プログラムによって適宜にスコア等を算出することができる。

また回帰分析は、線形回帰、重回帰、ロジスティック回帰等の様々な方法を適宜に採用できる。さらに機械学習は、教師あり学習、又は強化学習、又は教師無し学習等を適宜に採用できる。

１ 勧奨通知タイミング最適化システム
２ サーバー
３ 個人情報データベース
４ 処理プログラム

また、３年分の受診歴データを年ごとに別々にｏｎｅ−ｈｏｔ ｅｎｃｏｄｉｎｇすることにより、各年の受診日に対して別々の重みを付与した。ここで受診日データをｏｎｅ−ｈｏｔ ｅｎｃｏｄｉｎｇするのではなく、年度始めからの日数などの、基準となる時点からの差をとった数値データとして使用することもできる。その場合は線形回帰を使用すると受診日が早いほど勧奨効果が高くなる、あるいはその逆に低くなる、という結果になってしまうため、こういった場合はニューラルネットワークや勾配ブースティング決定木やランダムフォレストなどの入力に対して非線形な出力をする機械学習モデルを使用する必要がある。

以上の方法により、一年間の日付ごとに回帰モデルを作成し勧奨効果の大きさを表すスコアを計算した。効果の大きい順に１年間の日付を並べた時に上位５０日に当たる日付に勧奨を実施した群を最適勧奨群とし、それ以外の日に勧奨を行なっている対象者を図中の非最適勧奨群として比較を行なった。その結果、図４に示すように、算出した最適な時期に発送した者（集団）の受診率と、算出した最適な時期に発送していなかった者（集団）の受診率との間に、２．４ポイントの差があった。

上記目的を達成するため、本願の第一の発明は、医療保険機関が実施する各種の医療行為や健康診断の受診を促す被保険者への勧奨通知最適タイミングを、コンピュータとその処理プログラムを用いて算出する方法であって、被保険者に係る複数の特徴量から抽出された説明変数と、前記説明変数に基づく回帰分析又は機械学習によって、個々の被保険者に対する前記勧奨通知の時期ごとの勧奨効果の大きさを示すスコアを目的変数として算出し、前記スコアに基づいて最適通知時期を決定する、ことを特徴とする。

上記目的を達成するため、本願の第二の発明は、医療保険機関が実施する各種の医療行為や健康診断の受診を促す被保険者への勧奨通知最適タイミング算出システムであって、システムを管理するサーバーと、前記サーバー内に構築される被保険者データベースと、前記サーバー内に記録される勧奨通知の最適タイミングを算出する処理プログラムを含み、前記処理プログラムは、被保険者に係る複数の特徴量から複数の説明変数を抽出し、前記説明変数に基づく回帰分析又は機械学習によって、個々の被保険者に対する前記勧奨通知の時期ごとの勧奨効果の大きさを示すスコアを目的変数として算出し、前記スコアに基づいて最適通知時期を決定する、ことを特徴とする。

上記目的を達成するため、本願の第一の発明は、医療保険機関が実施する各種の医療行為や健康診断の受診を促す被保険者への勧奨通知最適タイミングを、コンピュータを用いて算出する方法であって、被保険者に係る複数の特徴量から抽出された説明変数と、時期ごとの勧奨効果の大きさを示すスコアを目的変数とした回帰分析によって得られた回帰式、又は前記説明変数と前記目的変数とした機械学習によって得られた機械学習モデルに、個々の前記被保険者の複数の特徴量から抽出された説明変数を入力して前記勧奨通知の時期ごとの勧奨効果の大きさを示すスコアを算出し、前記スコアに基づいて最適通知時期を決定する、ことを特徴とする。

上記目的を達成するため、本願の第二の発明は、医療保険機関が実施する各種の医療行為や健康診断の受診を促す被保険者への勧奨通知最適タイミング算出システムであって、システムを管理するサーバーと、前記サーバー内に構築される被保険者データベースと、前記サーバー内に記録される勧奨通知の最適タイミングを算出する処理プログラムを含み、前記処理プログラムは、被保険者に係る複数の特徴量から複数の説明変数を抽出し、時期ごとの勧奨効果の大きさを示すスコアを目的変数とした回帰分析によって回帰式を作成し、又は前記説明変数と前記目的変数とした機械学習によって機械学習モデルを作成し、個々の前記被保険者の複数の特徴量から抽出された説明変数を、前記回帰式又は前記機械学習モデルに入力して前記勧奨通知の時期ごとの勧奨効果の大きさを示すスコアを算出し、前記スコアに基づいて最適通知時期を決定する、ことを特徴とする。

Claims (12)

1. 医療保険機関が実施する各種の医療行為や健康診断の受診を促す被保険者への勧奨通知最適タイミング算出方法であって、
   被保険者に係る複数の特徴量から抽出された説明変数と、
   前記説明変数に基づく回帰分析又は機械学習によって、個々の被保険者に対する前記勧奨通知の最適時期を目的変数として算出する、又は時期ごとの勧奨効果の大きさを示すスコアを目的変数として算出する、
   ことを特徴とする、勧奨通知最適タイミング算出方法。
2. 前記目的変数となる前記最適時期は、日単位、週単位、月単位、年四半期単位、年半期単位、或いは年単位である、
   ことを特徴とする、請求項１に記載の勧奨通知最適タイミング算出方法。
3. 前記回帰分析は、線形回帰、又は重回帰、又はロジスティック回帰である、
   ことを特徴とする、請求項１又は２に記載の勧奨通知最適タイミング算出方法。
4. 前記機械学習は、教師あり学習、又は強化学習、又は教師無し学習である、
   ことを特徴とする、請求項１ないし３のいずれか１項に記載の勧奨通知最適タイミング算出方法。
5. 前記目的変数となる時期ごとの勧奨効果の大きさを示す前記スコアは、確率値、又は数値である、
   ことを特徴とする、請求項１ないし４のいずれか１項に記載の勧奨通知最適タイミング算出方法。
6. 前記説明変数は、年齢、性別、職業、住所、家族構成、既往症の有無、過去の受診歴、過去の治療歴、過去の薬剤購入歴、課税区分、健康保険加入日のいずれかを含む、
   ことを特徴とする、請求項１ないし５のいずれか１項に記載の勧奨通知最適タイミング算出方法。
7. 医療保険機関が実施する各種の医療行為や健康診断の受診を促す被保険者への勧奨通知最適タイミング算出システムであって、
   システムを管理するサーバーと、
   前記サーバー内に構築される被保険者データベースと、
   前記サーバー内に記録される勧奨通知の最適タイミングを算出する処理プログラムを含み、
   前記処理プログラムは、
   被保険者に係る複数の特徴量から複数の説明変数を抽出し、
   前記説明変数に基づく回帰分析又は機械学習によって、個々の被保険者に対する前記勧奨通知の最適時期を目的変数として算出する、又は時期ごとの勧奨効果の大きさを示すスコアを目的変数として算出する、
   ことを特徴とする、勧奨通知最適タイミング算出システム。
8. 前記目的変数となる前記最適時期は、日単位、週単位、月単位、年四半期単位、年半期単位、或いは年単位である、
   ことを特徴とする、請求項７に記載の勧奨通知最適タイミング算出システム。
9. 前記回帰分析は、線形回帰、又は重回帰、又はロジスティック回帰である、
   ことを特徴とする、請求項７又は８に記載の勧奨通知最適タイミング算出システム。
10. 前記機械学習は、教師あり学習、又は強化学習、又は教師無し学習である、
    ことを特徴とする、請求項７ないし９のいずれか１項に記載の勧奨通知最適タイミング算出システム。
11. 前記目的変数となる時期ごとの勧奨効果の大きさを示す前記スコアは、確率値、又は数値である、
    ことを特徴とする、請求項７ないし１０のいずれか１項に記載の勧奨通知最適タイミング算出システム。
12. 前記説明変数は、年齢、性別、職業、住所、家族構成、既往症の有無、過去の受診歴、過去の治療歴、過去の薬剤購入歴、課税区分、健康保険加入日のいずれかを含む、
    ことを特徴とする、請求項７ないし１１のいずれか１項に記載の勧奨通知最適タイミング算出システム。
    
    
    

Images