JP6853917B2 - 情報処理装置、情報処理方法、及びプログラム - Google Patents

Description

本発明は、情報処理装置、情報処理方法、及びプログラムに関する。

日本の介護保険制度では、寝たきり等で常時介護を必要とする状態（要介護状態）になった場合、又は家事等の日常生活に支援が必要であり、特に介護予防サービスが効果的な状態（要支援状態）になった場合に、介護サービスを受けることができる。被保険者が要介護状態又は要支援状態に該当するかどうか、及びどの程度の介護又は支援を必要とするか、保険者である各自治体で要介護認定（要支援認定を含む。以下同じ）の審査が行われている。この要介護認定の審査を支援する様々な手法が提案されている。

例えば特許文献１では、対象者を調査又は測定した各種パラメータと、既に要介護認定がなされた要介護認定者（以下、「認定者」と呼ぶ）のパラメータとのユークリッド距離を計算して両者のパターンマッチングを行い、対象者の要介護度等を推定する処置データ推定方法等が開示されている。

特開２００１−３４６８８号公報

しかしながら、特許文献１に係る発明は単純なパターンマッチングによって要介護度を推定するものであり、十分な精度が担保されるとは言い難い。

一つの側面では、要介護度別の認定者数を精度良く推定することができる情報処理装置等を提供することを目的とする。

一つの側面に係る情報処理装置は、要介護認定を受けた認定者の第１の時点における要介護度、前記認定者の状態に関する医師の判断結果、前記認定者の状態に関する訪問調査員の判断結果、及び、前記認定者の介護に関する給付金の給付実績の少なくとも１つを含む介護関連情報と、前記第１の時点から所定期間後の第２の時点における前記認定者の要介護度とを対応付けた教師データを用いて機械学習がなされ、前記第１の時点における前記介護関連情報を入力として受け付けて前記第２の時点における前記要介護度を出力する学習済モデルを記憶する記憶部と、複数年度に亘る複数の対象者の前記介護関連情報を取得する取得部と、前記取得部が取得した前記介護関連情報を前記記憶部に記憶した前記学習済モデルへ入力し、前記学習済モデルが出力する前記要介護度を得ることで各年度の各対象者について前記所定期間経過後の要介護度を推定する第１推定部と、前記第１推定部が推定した各対象者の要介護度に基づいて、推定対象年度における要介護度別の対象者数を推定する第２推定部とを備えることを特徴とする。

一つの側面では、要介護度別の認定者数を精度良く推定することができる。

要介護度推定システムの構成例を示す模式図である。 サーバの構成例を示すブロック図である。 自治体ＤＢ及び対象者ＤＢのレコードレイアウトの一例を示す説明図である。 推定モデルに関する説明図である。 要介護度の推定結果の表示画面例を示す説明図である。 推定モデルの生成処理の手順を示すフローチャートである。 要介護度の状態の推定処理の手順を示すフローチャートである。 実施の形態２の概要を示す説明図である。 認定者数の推定結果の表示画面例を示す説明図である。 実施の形態２に係る推定モデルの生成処理の手順を示すフローチャートである。 認定者数の推定処理の手順を示すフローチャートである。 上述した形態のサーバの構成例を示す機能ブロック図である。

以下、本発明をその実施の形態を示す図面に基づいて詳述する。
（実施の形態１）
図１は、要介護度推定システムの構成例を示す模式図である。本実施の形態では、要介護認定に相関する対象者の介護関連情報に基づき、対象者の要介護度の将来の状態を推定する要介護度推定システムについて説明する。対象者は、介護関連情報を有する任意の被保険者であり、認定者を含むが、これに限られない。介護関連情報については後述する。要介護度推定システムは、情報処理装置１、端末２、２、２…を含む。各装置は、インターネット等のネットワークＮを介して通信接続されている。

情報処理装置１は、種々の情報処理、情報の送受信を行う装置であり、例えばサーバ装置、パーソナルコンピュータ等である。本実施の形態において情報処理装置１はサーバ装置であるものとし、以下では簡潔のためサーバ１と読み替える。サーバ１は、第１の時点における対象者の介護関連情報に基づき、第１の時点から所定期間後（例えば３年後）の第２の時点における対象者の要介護度の将来の状態を推定する処理を行う。具体的には後述するように、サーバ１は、機械学習により生成された推定モデル１４１（図４参照）を用いて、対象者の要介護度の将来の状態を推定する。対象者の要介護度の将来の状態は、対象者の将来の要介護度、対象者の将来の要介護度の変化、及び対象者の要介護度の将来の要介護度別の遷移確率を含む。

なお、本明細書で言う「要介護度」は、「要介護１」から「要介護５」の５段階で表される要介護状態だけでなく、「要支援１」又は「要支援２」で表される要支援状態も含む。また、「要介護度」は法令等で定められた指標に限定されず、独自の指標であってもよい。

また、本実施の形態では自治体向けのシステムとして一連の説明を行うが、例えばその他の団体、あるいは個人（対象者やその介護者など）向けに要介護度の将来の状態の推定を行うシステムとして構成されてもよい。

端末２は、保険者である各自治体の端末装置であり、例えばパーソナルコンピュータ等である。サーバ１は、端末２を介して各自治体から対象者の情報のアップロードを受け、要介護度の将来の状態を推定して推定結果を端末２に出力する。

図２は、サーバ１の構成例を示すブロック図である。サーバ１は、制御部１１、主記憶部１２、通信部１３、補助記憶部１４を有する。
制御部１１は、一又は複数のＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）等の演算処理装置を有し、補助記憶部１４に記憶されたプログラムＰを読み出して実行することにより、種々の情報処理、制御処理等を行う。主記憶部１２は、ＳＲＡＭ（Static Random Access Memory）、ＤＲ
ＡＭ（Dynamic Random Access Memory）、フラッシュメモリ等の一時記憶領域であり、制御部１１が演算処理を実行するために必要なデータを一時的に記憶する。通信部１３は、通信に関する処理を行うための通信モジュールであり、外部と情報の送受信を行う。

補助記憶部１４は、ハードディスク、大容量メモリ等の不揮発性記憶領域であり、制御部１１が処理を実行するために必要なプログラムＰ、その他のデータを記憶している。また、補助記憶部１４は、推定モデル１４１、自治体ＤＢ１４２、及び対象者ＤＢ１４３を記憶している。推定モデル１４１は、機械学習によって生成された識別器であり、認定者に関する介護関連情報を学習済みの学習済みモデルである。推定モデル１４１は、人工知能ソフトウェアの一部であるプログラムモジュールとしての利用が想定される。自治体ＤＢ１４２は、本システムを利用する各自治体の情報を格納するデータベースである。対象者ＤＢ１４３は、対象者の情報を格納するデータベースである。

なお、補助記憶部１４はサーバ１に接続された外部記憶装置であってもよい。また、サーバ１は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良く、ソフトウェアによって仮想的に構築された仮想マシンであってもよい。

また、本実施の形態においてサーバ１は上記の構成に限られず、例えば操作入力を受け付ける入力部、画像を表示する表示部等を含んでもよい。また、サーバ１は、ＣＤ（Compact Disk）−ＲＯＭ、ＤＶＤ（Digital Versatile Disc）−ＲＯＭ等の可搬型記憶媒体１ａを読み取る読取部を備え、可搬型記憶媒体１ａからプログラムＰを読み取って実行するようにしても良い。あるいはサーバ１は、半導体メモリ１ｂからプログラムＰを読み込んでも良い。

図３は、自治体ＤＢ１４２及び対象者ＤＢ１４３のレコードレイアウトの一例を示す説明図である。
自治体ＤＢ１４２は、自治体ＩＤ列、自治体名列、自治体情報列を含む。自治体ＩＤ列は、各自治体を識別するための自治体ＩＤを記憶している。自治体名列及び自治体情報列はそれぞれ、各自治体（市町村等）の名称、及びその他の自治体に関する情報を記憶している。

対象者ＤＢ１４３は、対象者ＩＤ列、氏名列、保険者列、履歴番号列、申請日列、介護関連情報列を含む。対象者ＩＤ列は、各対象者を識別するための対象者ＩＤを記憶している。対象者ＩＤは、例えば、被保険者番号又はマイナンバーであるが、これに限られない。氏名列、保険者列、履歴番号列、申請日列、及び介護関連情報列はそれぞれ、対象者ＩＤと対応付けて、対象者の氏名、対象者に介護サービスを提供する保険者（自治体）の自治体ＩＤ、自治体に提出された対象者の介護関連情報の履歴番号、要介護認定申請の申請日、及び介護関連情報を記憶している。介護関連情報列には、例えば対象者の基本情報(
被保険者情報)、医師が対象者やその家族から聞き取りを行って作成した意見書の内容を
示す意見書情報、訪問調査員による調査結果を示す訪問調査情報、及び介護保険の給付実績を示す給付実績情報などが記憶されている。

図４は、推定モデル１４１に関する説明図である。図４に基づき、推定モデル１４１について説明する。
推定モデル１４１は、パラメータを学習済みの機械学習モデルである。例えばサーバ１は、既に要介護認定を受けている認定者の介護関連情報を教師データとして用い、推定モデル１４１を生成する。本実施の形態においてサーバ１は、図４に示すように、推定モデル１４１として決定木モデルを生成する。

例えばサーバ１は、アンサンブル学習の一種である勾配ブースティングの手法を用いて推定モデル１４１を生成する。すなわち、サーバ１は、教師データを用いて一の弱識別器（決定木）を生成し、生成した弱識別器による予測値と実測値との誤差（正確には残差）に基づいて次の弱識別器を逐次生成していく。サーバ１は、前の弱識別器の学習結果を考慮するように、予測値と実測値との誤差によって定義される損失関数の勾配を参照して弱
識別器を逐次生成し、最終的な識別器、すなわち推定モデル１４１を生成する。

なお、本実施の形態では学習方法して勾配ブースティングを用いるが、例えば複数の弱識別器を並列的に生成するバギングなど、その他のアンサンブル学習を行ってもよい。また、アンサンブル学習以外の学習方法で推定モデル１４１を生成してもよい。

また、推定モデル１４１は決定木モデルに限定されず、ニューラルネットワーク、ランダムフォレスト、ＳＶＭ（Support Vector Machine）、その他のモデルであってもよい。

上述の如く、サーバ１は、認定者の介護関連情報を教師データとして用いて、推定モデル１４１を生成する。介護関連情報は、対象者の要介護度と相関する任意の情報であって、上述の基本情報、意見書情報、訪問調査情報、及び給付実績情報の少なくとも１つを含む。また、介護関連情報は、医療レセプト情報、厚生労働省が提供する基本チェックリストの回答情報、特定健診情報、及び特定健診指導情報の少なくとも１つを含んでもよい。

基本情報は、例えば認定者の年齢、性別等のほかに、自治体が要介護認定の申請を受けた時点（第１の時点）において認定者が現に認定を受けている要介護度（前回の申請により認定された要介護度）の情報を含む。意見書情報は、医師が判断した認定者の寝たきり度、認知症の程度、短期記憶の程度、認知能力などの情報を含む。訪問調査情報は、訪問調査員が判断した認定者の独り言の程度、独り笑いの程度、集団への不適応度などの情報を含む。意見書情報及び訪問調査情報は、要介護認定の申請がされると作成される。給付実績情報は、例えば１ヶ月当たりの給付額、１ヶ月当たりのレセプト点数などの情報を含む。給付実績情報は、要介護認定されると作成される。なお、上記の各種パラメータはいずれも例示であって、介護関連情報は要介護度を推定する上で適切な入力パラメータであればよい。

また、本実施の形態では要介護認定を受けている認定者の情報を教師データとして用いるものとするが、認定者以外の人物（例えば要介護認定の申請をしたものの認定されなかった人物）の情報を教師データに含めてもよい。また、教師データとして用いられる認定者の情報は、現に要介護認定を受けている人物だけでなく、過去に要介護認定を受けたことがある人物（例えば死亡者）の情報を含めてもよい。

サーバ１は、上記の各種情報が記述された介護関連情報（Ｅｘｃｅｌ（登録商標）ファイル、ＣＳＶファイル等）を各自治体の端末２から取得し、教師用の入力パラメータとして用いて、出力パラメータが正解値と近似するように推定モデル１４１を生成する。なお、サーバ１は、自治体以外から介護関連情報を取得することも可能である。

ここでサーバ１は、自治体が要介護認定の申請を受けた時点（第１の時点）ではなく、当該時点から所定期間が経過した時点（第２の時点）の要介護度を正解値として用いて学習を行い、介護関連情報に対応する時点から所定期間後の要介護度の状態を推定する推定モデル１４１を生成する。当該期間は、要介護認定の再申請時期に応じた期間であり、例えば３年間である。要介護認定が１回の申請で最大２年間認められるため、サーバ１は、例えば、認定者が要介護認定を申請した時点から３年後の要介護度を推定する。なお、サーバ１は申請時点から所定期間後の要介護度の状態を推定可能であればよく、当該期間は３年間に限定されない。また、サーバ１は、申請時点から１年後、２年後、３年後、４年後、及び５年後などの要介護度の状態をそれぞれ推定可能なように、各期間に対応する複数の推定モデル１４１をそれぞれ生成してもよい。

例えば、サーバ１は、図４の例のように、推定モデル１４１として、申請時点から３年後の要介護度別の遷移確率を推定する推定モデル１４１Ａを生成する。推定モデル１４１
Ａは、ある時点の介護関連情報を入力され、その３年後の要介護度別の遷移確率（確からしさ）を出力する学習済みモデルである。サーバ１は、入力される介護関連情報の３年後の要介護度を正解値として、機械学習モデル（決定木モデルなど）にパラメータを学習させることにより、推定モデル１４１Ａを生成する。より詳細には、サーバ１は、介護関連情報を入力した際に出力される正解値の遷移確率が高くなり、他の要介護度の遷移確率が低くなるように、機械学習モデルにパラメータを学習させることにより、推定モデル１４１Ａを生成する。

教師用の介護関連情報が２０１５年度のデータである場合、サーバ１は、３年後の２０１８年度の要介護度を正解値として用いればよい。所定期間後の要介護度別の遷移確率を推定する推定モデル１４１Ａを生成することで、対象者の将来の要介護度の状態を詳細かつ精度よく推定することができる。

また、サーバ１は、申請時点から３年後の要介護度の変化を推定する推定モデル１４１Ｂを生成してもよい。推定モデル１４１Ｂは、ある時点の介護関連情報を入力され、３年後の要介護度の変化を出力する学習済みモデルである。要介護度の変化は、例えば、「悪化する」及び「悪化しない」の２値や、「悪化する」、「変化しない」、及び「改善する」の３値で表される。サーバ１は、教師データにおける、ある時点とその３年後の要介護度を比較して要介護度の変化（「悪化する」、「悪化しない」など）を用意し、当該要介護度の変化を正解値として、機械学習モデル（決定木モデルなど）にパラメータを学習させることにより、推定モデル１４１Ｂを生成することができる。

また、サーバ１は、推定モデル１４１Ａの下流に、推定モデル１４１Ａが出力した要介護度別の遷移確率を、要介護度の変化に応じて合計し、合計が最大の変化を出力するレイヤを追加することにより、推定モデル１４１Ｂを生成することができる。例えば、ある対象者の２０１５年の介護関連情報が入力され、かつ、その対象者の２０１５年の要介護度が要介護３である場合、上記のレイヤは、推定モデル１４１Ａが出力した要介護３以下の遷移確率を「悪化しない」確率として合計し、要介護４以上の遷移確率を「悪化する」確率として合計し、合計が大きい方を３年後の要介護度の変化として出力すればよい。このように、推定結果の粒度を粗くすることにより、対象者の将来の要介護度の状態をより精度よく推定することができる。

また、サーバ１は、申請時点から３年後の要介護度を推定する推定モデル１４１Ｃを生成してもよい。推定モデル１４１Ｃは、ある時点の介護関連情報を入力され、３年後の要介護度を出力する学習済みモデルである。サーバ１は、推定モデル１４１Ａの下流に、推定モデル１４１Ａが出力した要介護度別の遷移確率の中で最大の要介護度を出力するレイヤを追加することにより、推定モデル１４１Ｃを生成することができる。例えば、上記のレイヤは、推定モデル１４１Ａが出力した要介護度別の遷移確率の中で要介護３の遷移確率が最大である場合、３年後の要介護度として要介護３を出力すればよい。このように、将来の要介護度の状態として要介護度を出力することにより、将来の要介護度の状態を具体的かつ精度よく推定することができる。

なお、サーバ１は、図４の下部に示すように、推定モデル１４１の出力を、「要介護１」から「要介護５」、「要支援１」、「要支援２」の７段階に加えて、「喪失」及び「非該当」の２段階を加えた９段階としてもよい。「喪失」は、認定者の死亡、その他の理由で要介護認定を喪失する場合を表す。また、「非該当」は、要介護認定の申請をしたものの、審査の結果、認定者に該当しないと判定される場合を表す。法令等で定められた７段階の要介護度に加え、要介護認定を喪失する場合、及び非該当である場合も含めて推定を行うようにすることで、要介護度認定の実態に即した推定が可能となるため、推定精度をさらに高めることができる。なお、要介護度は、「喪失」及び「非該当」を含まなくても
よいし、いずれか一方のみを含んでもよい。

サーバ１は、上記の推定モデル１４１Ａ、１４１Ｂ、１４１Ｃの少なくとも何れか一つを推定モデル１４１として生成し、生成した推定モデル１４１を用いて、対象者の３年後の要介護度の状態を推定する。サーバ１は、推定モデル１４１により、対象者の３年後の要介護度の状態を推定すると、推定結果を端末２に出力する。端末２は、サーバ１から取得した推定結果を表示装置（液晶ディスプレイなど）に表示する。

図５は、要介護度の推定結果の表示画面例を示す説明図である。端末２はサーバ１から推定結果の出力を受けて、図５に示す画面を表示する。
図５の表示画面は、対象者の要介護度の状態等を表示する画面である。サーバ１は、端末２からアップロードされた対象者の介護関連情報と、当該介護関連情報に基づく将来の要介護度の状態の推定結果とに基づき、図５に示す表示画面を端末２に表示させる。

例えば端末２は、対象者の氏名、年齢等の基本情報を表示するほかに、前回認定時（現在）の要介護度と、所定期間後に要介護度が変化するか否かを推定モデル１４１Ｂにより推定した推定結果（悪化兆候）とを表示する。また、端末２は、推定モデル１４１Ａにより推定した要介護度別の遷移確率を表す要介護度推定グラフ５１を表示する。さらに端末２は、ユーザ（自治体職員）からの操作に応じて、介護関連情報に含まれる意見書情報、訪問調査情報、給付実績情報などを表示する。

なお、上記では要介護度の推定結果を端末２に表示させるのみであったが、例えばサーバ１は、所定期間後の要介護度が悪化する可能性が高いと推定した場合に、端末２にアラートを出力するなどしてもよい。例えば、サーバ１は、推定モデル１４１Ａにより推定した将来の要介護度の期待値が現在の要介護度より高い場合、推定モデル１４１Ｂにより将来の要介護度が「悪化する」と推定された場合、又は推定モデル１４１Ｃにより推定された将来の要介護度が現在の要介護度より高い場合に、端末２にアラートを出力すればよい。これにより、重点的にケアすべき対象者を自治体に報知することができる。

以上より、本実施の形態によれば、認定者の介護関連情報を学習済みの推定モデル１４１に入力することで、対象者の所定期間後の要介護度の状態を精度良く推定することができる。自治体は、推定された各対象者の将来の要介護度の状態を参照することにより、各対象者に適切なケアを提供することができる。

図６は、推定モデル１４１の生成処理の手順を示すフローチャートである。図６に基づき、機械学習を行って推定モデル１４１を生成する処理の内容について説明する。
サーバ１の制御部１１は、複数の認定者（人物）の第１の時点の介護関連情報と、各認定者の第２の時点の要介護度の状態（正解値）と、を含む教師データを取得する（ステップＳ１１）。介護関連情報は、認定者の基本情報、医療機関からの意見書情報、訪問調査結果を示す訪問調査情報、及び給付実績を示す給付実績情報などを含む。正解値として教師データに含まれる将来の要介護度の状態は、対応する介護関連情報の申請時点から所定期間後（例えば３年後）の要介護度の状態（要介護度又はその変化）である。

制御部１１は教師データを用いて、推定モデル１４１を生成する（ステップＳ１２）。例えば制御部１１は、上述の如く勾配ブースティングの手法を用いて学習を行い、介護関連情報から将来の要介護度の状態を推定する決定木モデルを生成する。すなわち、制御部１１は、予測値と実測値との誤差（残差）で定義される損失関数の勾配から弱識別器（決定木）を逐次生成し、最終的に推定モデル１４１を生成する。この場合に制御部１１は、介護関連情報に対応する申請時点（第１の時点）から所定期間が経過した時点（第２の時点）の要介護度の状態を正解値として用いて、要介護度が所定期間経過後に各要介護度の
状態に遷移する確率を推定する推定モデル１４１を生成する。制御部１１は一連の処理を終了する。

図７は、要介護度の状態の推定処理の手順を示すフローチャートである。図７に基づき、対象者の介護関連情報から将来の要介護度の状態を推定する処理の内容について説明する。
サーバ１の制御部１１は、自治体の端末２から、対象者の介護関連情報を取得する（ステップＳ３１）。制御部１１は、取得した対象者の介護関連情報を推定モデル１４１に入力し、対象者の将来の要介護度の状態を推定する（ステップＳ３２）。具体的には、制御部１１は、所定期間後に対象者の要介護度別の遷移確率、所定期間後の対象者の要介護度の変化、又は所定期間後の対象者の要介護度を推定する。制御部１１は、推定結果を端末２に出力し（ステップＳ３３）、一連の処理を終了する。

なお、上記では要介護認定の申請時点（第１の時点）から所定期間後の要介護度の状態を推定するものとしたが、本実施の形態は限定されるものではなく、推定モデル１４１Ａ又は推定モデル１４１Ｃにより、申請時点、すなわち現時点での要介護度別の確率又は要介護度を推定してもよい。

以上より、本実施の形態１によれば、対象者の将来の要介護度の状態を精度良く推定することができる。

また、本実施の形態１によれば、要介護度の変化を推定するようにすることで、対象者の将来の要介護度の状態をより精度よく推定することができる。

また、本実施の形態１によれば、要介護度別の遷移確率を推定することで、対象者の将来の要介護度の状態を詳細かつ精度よく推定することができる。

また、本実施の形態１によれば、要介護度自体を推定することで、対象者の将来の要介護度の状態を具体的かつ精度よく推定することができる。

また、本実施の形態１によれば、要介護認定を喪失するか否か（及び非該当であるか否か）も含めて推定を行うようにすることで、対象者の将来の要介護度の状態をより精度よく推定する。

また、本実施の形態１によれば、申請時点から所定期間後の要介護度の状態を推定するようにすることで、自治体等をより適切に支援することができる。

（実施の形態２）
本実施の形態では、将来の認定者数を要介護度別に推定する形態について述べる。なお、実施の形態１と重複する内容については同一の符号を付して説明を省略する。
図８は、実施の形態２の概要を示す説明図である。図８では、複数年度の介護関連情報に基づき、推定対象年度の要介護度別の認定者数（人数）を推定する様子を概念的に図示している。図８に基づき、本実施の形態の概要を説明する。

本実施の形態でサーバ１は、複数年度の介護関連情報に基づき、将来のある年度の認定者数を要介護度別に推定して自治体に提示する。例えばサーバ１は、図８に示すように、３年後、４年後、及び５年後それぞれの要介護度別の遷移確率を推定するための３種類の推定モデル１４１Ａを生成しておき、推定時点を含む過去３年度の介護関連情報から、推定時点の３年後の推定対象年度の認定者数を推定する。図８の例では、２０１８年Ｘ月が推定時点であるため、２０１６年度の介護関連情報、２０１７年度の介護関連情報、及び
２０１８年度のＸ月までの介護関連情報に基づいて、２０２１年度（推定対象年度）の認定者数を推定している。

なお、３年後用、４年後用、及び５年後用の推定モデル１４１Ａを用意するのは、要介護認定が１回の申請で最大２年間認められるためである。複数年度の介護関連情報から推定対象年度の認定者数を推定可能であればよく、推定時点を含む年度から推定対象年度までの期間は３年間に限定されない。

サーバ１は、認定者の介護関連情報を教師データとして用いて学習を行い、３種類の推定モデル１４１Ａ（３年後用、４年後用、及び５年後用の推定モデル１４１Ａ）を生成しておく。そしてサーバ１は、３種類の推定モデル１４１Ａを用いて推定対象年度の要介護度別の人数を推定する。すなわち、サーバ１は、各対象者の介護関連情報の申請時点（第１の時点）に応じて３年後用、４年後用、及び５年後用の推定モデル１４１Ａのいずれかを選択し、選択した推定モデル１４１Ａに介護関連情報を入力して、対象者毎に推定対象年度における要介護度別の遷移確率を推定する。

この場合に、要介護認定は最大２年間認められるため、同一の対象者の介護関連情報が重複する場合があり得る。図８の例では、対象者Ａの介護関連情報が、２０１６年度及び２０１８年度で重複して存在している。この場合、サーバ１は対象者Ａの最新年度の介護関連情報を選択し、対象者Ａの最新年度以外の古い介護関連情報は捨象する（利用しない）。サーバ１は、対象者Ａの最新年度（２０１８年度）の介護関連情報を推定モデル１４１Ａに入力して対象者Ａの推定対象年度（２０２１年度）の要介護度別の遷移確率を推定する。これにより、同一対象者を重複してカウントする事態を防止することができる。

図９は、認定者数の推定結果の表示画面例を示す説明図である。サーバ１は、対象者毎に推定した要介護度別の遷移確率に基づき、当該自治体における所定期間後の認定者数を要介護度別に推定し、推定結果を端末２に出力する。サーバ１からの出力を受けて、端末２は図９の画面を表示する。例えば端末２は、図９に示すように、要介護度別の認定者数を示す要介護度別グラフ９１を表示すると共に、自治体における認定者の総数の時系列推移等を表示し、ユーザ（自治体職員）に提示する。

なお、端末２は要介護別の人数を表示するだけでなく、例えば当該人数の認定者に介護サービスを提供するために必要となる介護費用など、推定結果に応じて予測可能なその他の予測値を表示してもよい。これにより、さらに適切に自治体の運営を支援することができる。

また、上記では特段説明しなかったが、推定モデル１４１Ａの出力パラメータとして「喪失」及び「非該当」を含め、要介護認定を受ける対象者の人数（認定者数）だけでなく、要介護認定を喪失する対象者の人数、及び非該当である対象者の人数を推定できることは勿論である。

図１０は、実施の形態２に係る推定モデル１４１Ａの生成処理の手順を示すフローチャートである。
サーバ１の制御部１１は、複数の認定者（人物）の第１の時点の介護関連情報と、各認定者の第１の時点から３年後（第２の時点）の要介護度の状態（正解値）と、を含む３年後用の教師データを取得する（ステップＳ２０１）。

制御部１１は教師データを用いて、３年後の要介護度の状態を推定する３年後用の推定モデル１４１を生成する（ステップＳ２０２）。

次に、サーバ１の制御部１１は、複数の認定者（人物）の第１の時点の介護関連情報と、各認定者の第１の時点から４年後（第２の時点）の要介護度の状態（正解値）と、を含む４年後用の教師データを取得する（ステップＳ２０３）。

制御部１１は教師データを用いて、４年後の要介護度の状態を推定する４年後用の推定モデル１４１を生成する（ステップＳ２０４）。

続いて、サーバ１の制御部１１は、複数の認定者（人物）の第１の時点の介護関連情報と、各認定者の第１の時点から５年後（第２の時点）の要介護度の状態（正解値）と、を含む５年後用の教師データを取得する（ステップＳ２０５）。

制御部１１は教師データを用いて、５年後の要介護度の状態を推定する５年後用の推定モデル１４１を生成する（ステップＳ２０６）。その後、制御部１１は一連の処理を終了する。

図１１は、認定者数の推定処理の手順を示すフローチャートである。図１１に基づき、各要介護度の認定者数を推定する処理の内容について説明する。
サーバ１の制御部１１は、複数年度の複数対象者の介護関連情報を取得する（ステップＳ２２１）。例えば制御部１１は、同一の自治体に提出された各対象者の介護関連情報であって、複数年度の介護関連情報を取得する。

制御部１１は、一の対象者の介護関連情報を抽出する（ステップＳ２２２）。制御部１１は、抽出した対象者の介護関連情報が重複するか否か、すなわち、当該対象者の介護関連情報が複数存在するか否かを判定する（ステップＳ２２３）。重複すると判定した場合（Ｓ２２３：ＹＥＳ）、制御部１１は、最新年度の介護関連情報を選択し、最新年度以外の介護関連情報は捨象する（ステップＳ２２４）。

ステップＳ２２３でＮＯ、又はステップＳ２２４の処理を実行した後、制御部１１は、対象者の介護関連情報の申請時点（第１の時点）に応じて、複数の推定モデル１４１Ａの内、何れかを選択する（ステップＳ２２５）。

具体的には、制御部１１は、推定対象年度における対象者の要介護度別の遷移確率を推定可能な推定モデル１４１Ａを選択する。例えば、制御部１１は、推定対象年度が２０２１年度であり、選択された対象者の最新の介護関連情報の申請時点が２０１８年度である場合、３年後用の推定モデル１４１Ａを選択する。また、制御部１１は、推定対象年度が２０２１年度であり、選択された対象者の最新の介護関連情報の申請時点が２０１７年度である場合、４年後用の推定モデル１４１Ａを選択する。また、制御部１１は、推定対象年度が２０２１年度であり、選択された対象者の最新の介護関連情報の申請時点が２０１６年度である場合、５年後用の推定モデル１４１Ａを選択する。

制御部１１は、選択した推定モデル１４１Ａに対象者の介護関連情報を入力し、推定対象年度における当該対象者の要介護度別の遷移確率を推定する（ステップＳ２２６）。

制御部１１は、全ての対象者について推定対象年度における要介護度別の遷移確率を推定したか否かを判定する（ステップＳ２２７）。全ての対象者について推定対象年度における要介護度別の遷移確率を推定していないと判定した場合（Ｓ２２７：ＮＯ）、制御部１１は処理をステップＳ２２２に戻す。全ての対象者について推定対象年度における要介護度別の遷移確率を推定したと判定した場合（Ｓ２２７：ＹＥＳ）、制御部１１は、各推定モデル１４１Ａから出力された推定結果（各対象者の推定対象年度における要介護度別の遷移確率）に基づき、推定対象年度における要介護度別の対象者の人数を推定する（ス
テップＳ２２８）。具体的には、制御部１１は、推定対象年度における各対象者の要介護度別の遷移確率を、要介護度別に合計し、端数処理すればよい。制御部１１は、推定結果を端末２に出力し（ステップＳ２２９）、一連の処理を終了する。

以上のように、本実施の形態２によれば、複数年度の複数対象者の介護関連情報に基づいて、推定対象年度の要介護度別の認定者数を推定することができる。これにより、各要介護度の認定者数を精度よく推定することができる。理由は以下の通りである。

仮に、現在が２０１８年度のＸ月であり、２０１８年度の介護関連情報のみに基づいて、２０２１年度の認定者数を推定する場合、要介護認定の申請を２０１７年度に行い、２０１８年度には行っていない認定者の介護関連情報が、認定者数の推定に反映されないことになる。上述の通り、要介護認定は１回の申請で最大２年間認められるため、このような認定者は多数存在する。したがって、２０１８年度の介護関連情報のみに基づいて、２０２１年度の認定者数を推定すると、推定に反映されない介護関連情報の分だけ推定精度が低くなる。言い換えると、２０２１年度の認定者数を推定する場合、２０１８年度と共に２０１７年度の介護関連情報を利用することで、認定者数の推定精度を向上させることができる。

また、現在が２０１８年度のＸ月であり、２０１８年度及び２０１７年度の介護関連情報のみに基づいて、２０２１年度の認定者数を推定する場合、要介護認定の申請を２０１６年度に行い、２０１８年度のＸ月以降に再申請するであろう認定者の介護関連情報が、認定者数の推定に反映されないことになる。上述の通り、要介護認定は１回の申請で最大２年間認められるため、このような認定者は少なからず存在する。したがって、２０１８年度及び２０１７年度の介護関連情報のみに基づいて、２０２１年度の認定者数を推定すると、推定に反映されない介護関連情報の分だけ推定精度が低くなる。言い換えると、２０２１年度の認定者数を推定する場合、２０１８年度から２０１６年度までの介護関連情報を利用することで、認定者数の推定精度をさらに向上させることができる。

このように、複数年度の介護関連情報を利用することで、推定対象年度における各要介護度の認定者数を精度よく推定することができる。特に、１回に要介護認定される最長期間がＹ年である場合、（Ｙ＋１）年度分の介護関連情報を利用することにより、認定者数の推定精度を最も高めることができる。

また、本実施の形態２によれば、申請時点と推定対象年度との間の期間に応じて複数の推定モデル１４１Ａを用意することで、より適切に認定者数を推定することができる。

また、本実施の形態２によれば、同一の対象者について介護関連情報の重複分を捨象することで、より正確な認定者数を推定することができる。

なお、以上では、複数の推定モデル１４１Ａを利用して認定者数を推定する場合について説明したが、複数の推定モデル１４１Ｃを利用して認定者数を推定してもよい。この場合、制御部１１は、推定モデル１４１Ｃにより各対象者の推定対象年度における要介護度を推定し、要介護度ごとに対象者の人数を合計すれば良い。

（実施の形態３）
図１２は、上述した形態のサーバ１の構成例を示す機能ブロック図である。制御部１１がプログラムＰを読み出して実行することにより、サーバ１を以下の様に動作させる。
取得部１２１は、複数年度の介護関連情報を取得する。推定部１２２は、前記複数年度の介護関連情報と、複数の人物の第１の時点における介護関連情報と前記第１の時点から所定期間後の第２の時点における前記人物の要介護度の状態とを学習済みの学習済みモデ
ルと、に基づいて、推定対象年度における要介護度別の認定者数を推定する。

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。

１ サーバ（情報処理装置）
１１ 制御部
１２ 主記憶部
１３ 通信部
１４ 補助記憶部
Ｐ プログラム
１４１ 推定モデル
１４２ 自治体ＤＢ
１４３ 対象者ＤＢ

Claims (8)

1. 要介護認定を受けた認定者の第１の時点における要介護度、前記認定者の状態に関する医師の判断結果、前記認定者の状態に関する訪問調査員の判断結果、及び、前記認定者の介護に関する給付金の給付実績の少なくとも１つを含む介護関連情報と、前記第１の時点から所定期間後の第２の時点における前記認定者の要介護度とを対応付けた教師データを用いて機械学習がなされ、前記第１の時点における前記介護関連情報を入力として受け付けて前記第２の時点における前記要介護度を出力する学習済モデルを記憶する記憶部と、
   複数年度に亘る複数の対象者の前記介護関連情報を取得する取得部と、
   前記取得部が取得した前記介護関連情報を前記記憶部に記憶した前記学習済モデルへ入力し、前記学習済モデルが出力する前記要介護度を得ることで各年度の各対象者について前記所定期間経過後の要介護度を推定する第１推定部と、
   前記第１推定部が推定した各対象者の要介護度に基づいて、推定対象年度における要介護度別の対象者数を推定する第２推定部と、
   前記第２推定部が推定した推定対象年度における要介護度別の対象者数に応じた自治体の介護費用を予測する第３推定部と
   を備えることを特徴とする情報処理装置。
2. 前記取得部が取得する前記介護関連情報には、前記推定対象年度の３年前の介護関連情報を含み、
   前記学習済モデルは、前記第１の時点から３年後を含む前記第２の時点における前記要介護度を出力する
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記取得部が取得する前記介護関連情報には、前記推定対象年度の４年前の介護関連情報を含み、
   前記学習済モデルは、前記第１の時点から４年後を含む前記第２の時点における前記要介護度を出力する
   ことを特徴とする請求項１又は請求項２に記載の情報処理装置。
4. 前記取得部が取得する前記介護関連情報には、前記推定対象年度の５年前の介護関連情報を含み、
   前記学習済モデルは、前記第１の時点から５年後を含む前記第２の時点における前記要介護度を出力する
   ことを特徴とする請求項１から請求項３までのいずれか１項に記載の情報処理装置。
5. 前記第１推定部は、前記複数年度の介護関連情報に、同一の対象者の介護関連情報が複数含まれる場合、当該対象者の最新年度以外の介護関連情報を捨象する
   ことを特徴とする請求項１から請求項４までのいずれか１項に記載の情報処理装置。
6. 前記学習済モデルは、前記所定期間後の前記要介護度別の遷移確率を出力する
   ことを特徴とする請求項１から請求項５までのいずれか１項に記載の情報処理装置。
7. 要介護認定を受けた認定者の第１の時点における要介護度、前記認定者の状態に関する医師の判断結果、前記認定者の状態に関する訪問調査員の判断結果、及び、前記認定者の介護に関する給付金の給付実績の少なくとも１つを含む介護関連情報と、前記第１の時点から所定期間後の第２の時点における前記認定者の要介護度とを対応付けた教師データを用いて機械学習がなされ、前記第１の時点における前記介護関連情報を入力として受け付けて前記第２の時点における前記要介護度を出力する学習済モデルを用いて、
   複数年度に亘る複数の対象者の前記介護関連情報を取得し、
   取得した前記介護関連情報を前記学習済モデルへ入力し、前記学習済モデルが出力する前記要介護度を得ることで各年度の各対象者について前記所定期間経過後の要介護度を推定し、
   推定した各対象者の要介護度に基づいて、推定対象年度における要介護度別の対象者数を推定し、
   推定した推定対象年度における要介護度別の対象者数に応じた自治体の介護費用を予測する
   処理をコンピュータが実行することを特徴とする情報処理方法。
8. 要介護認定を受けた認定者の第１の時点における要介護度、前記認定者の状態に関する医師の判断結果、前記認定者の状態に関する訪問調査員の判断結果、及び、前記認定者の介護に関する給付金の給付実績の少なくとも１つを含む介護関連情報と、前記第１の時点から所定期間後の第２の時点における前記認定者の要介護度とを対応付けた教師データを用いて機械学習がなされ、前記第１の時点における前記介護関連情報を入力として受け付けて前記第２の時点における前記要介護度を出力する学習済モデルを用いて、
   複数年度に亘る複数の対象者の前記介護関連情報を取得し、
   取得した前記介護関連情報を前記学習済モデルへ入力し、前記学習済モデルが出力する前記要介護度を得ることで各年度の各対象者について前記所定期間経過後の要介護度を推定し、
   推定した各対象者の要介護度に基づいて、推定対象年度における要介護度別の対象者数を推定し、
   推定した推定対象年度における要介護度別の対象者数に応じた自治体の介護費用を予測する
   処理をコンピュータに実行させることを特徴とするプログラム。

Images