JP7174890B2

JP7174890B2 - リスク評価方法、リスク評価装置及びリスク評価プログラム

Info

Publication number: JP7174890B2
Application number: JP2018120162A
Authority: JP
Inventors: 振一郎中村; 克哉諫田; 真人高田
Original assignee: RIKEN Institute of Physical and Chemical Research
Current assignee: RIKEN Institute of Physical and Chemical Research
Priority date: 2018-06-25
Filing date: 2018-06-25
Publication date: 2022-11-18
Anticipated expiration: 2038-06-25
Also published as: JP2020003882A

Description

本技術は、リスク評価方法、リスク評価装置及びリスク評価プログラムに関する。

薬剤投与や手術のような医療技術に頼ることなく、病に陥る前に対処したいという考え方がある。すなわち、生存期間という時間的な寿命を治療で延ばすのではなく、発症前の健康指導をはじめとする予防医療によって健康寿命を延ばそうというものである。

また、生活習慣病等の予防や早期発見のため、健康保険組合等の医療保険者は、特定健康診査や特定保健指導を実施している。医療費の削減のためには、被保険者への保健指導により生活習慣の改善を促すことが重要であるが、保健指導を行う人的なリソースは限られている。したがって、保健指導の対象者を適切に抽出することが肝要である。

従来、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を表す健診情報と、複数の対象者の所定期間における医療費を含むレセプト情報とを用いたリスク評価方法が提案されている（例えば、特許文献１）。本リスク評価方法では、健診情報に基づく値を説明変数として、レセプト情報において所定の傷病名で且つ医療費が所定の閾値以上となる確率を表すモデルを生成し、対象者の新たな健診情報を記憶部から読み出し、当該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。

特開２０１７－１１７４６９号公報国際公開第２０１５／０６８８１２号特表２０１３－５３６９７１号公報特開２００７－２５７５６５号公報

従来、判断時点における健診結果や医療費を基準としたリスクの大きさに基づいて、優先順位の高い保健指導対象者を抽出するという技術が提案されていた。ここで、リスク判定の精度を向上させることができれば、保健指導の対象者をより適切に抽出することができる。

そこで、本発明は、対象者の健康状態に関するリスクの大きさを評価する際の精度を向上させるための技術を提供することを目的とする。

本発明に係るリスク評価方法は、複数の対象者の所定期間における健康診断の測定値を含む健診情報と、複数の対象者の所定期間における医療費及び傷病名を含むレセプト情報とを記憶部から取得するステップと、健診情報に含まれる所定の測定項目の測定値、及びレセプト情報を集計して求められる所定の傷病名での受診回数を説明変数として、当該説明変数の積によって形成される交互作用項を含み、レセプト情報において所定の傷病名で且つ医療費が所定の閾値以上となる確率を表すモデルを作成するモデル作成ステップと、対象者の所定期間以降における健診情報を記憶部から読み出し、当該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リスク評価ステップとをコンピュータが実行する。

交互作用項を含むモデルを採用することにより、発症確率の上昇に対して相乗的に影響する測定項目の組合せを適切に評価でき、本方法によって推定されるリスクの精度を向上させることができる。

また、作成ステップにおいて、モデルが所定の基準を満たすか判断し、所定の基準を満たしていないと判断された場合にはモデルに用いる説明変数を変更するようにしてもよい。このようにすれば、所定の基準に基づいてリスクの評価に利用する測定項目等を選択することができる。

具体的には、所定の基準は、モデルについて算出される所定の情報量規準と所定の閾値とが所定の大小関係であることであり、所定の基準を満たしていないと判断された場合には、モデルについて算出される所定の情報量規準と所定の閾値とが所定の大小関係に近づくようにモデルに用いる説明変数を変更するようにしてもよい。

また、リスク評価ステップにおいて、複数の対象者についてリスクの評価値を算出し、算出されたリスクの評価値の大きさに基づいて上位所定数の対象者を抽出するようにしてもよい。このようにすれば、上述したモデルに基づいてリスクが高いと判断される対象者を抽出することができる。

また、健診情報が順序尺度で表される項目を含む場合、当該順序尺度の各々にゼロ以外の値を対応付け、当該値を用いてモデルを算出するようにしてもよい。順序尺度にゼロ以外の値を割り当てることで、当該測定値を交差項に用いることができるようになる。

なお、課題を解決するための手段に記載の内容は、本発明の課題や技術的思想を逸脱しない範囲で可能な限り組み合わせることができる。また、課題を解決するための手段の内容は、コンピュータ等の装置若しくは複数の装置を含むシステム、コンピュータが実行する方法、又はコンピュータに実行させるプログラムとして提供することができる。該プログラムはネットワーク上で実行されるようにすることも可能である。なお、当該プログラムを保持する記録媒体を提供するようにしてもよい。

本発明によれば、対象者の健康状態に関するリスクの大きさを評価する際の精度を向上させるための技術を提供することができる。

リスク分析装置の機能ブロック図である。コンピュータの一例を示す装置構成図である。リスク分析処理の一例を示す処理フロー図である。モデル生成処理の一例を示す処理フロー図である。危険度評価処理の一例を示す処理フロー図である。

以下、本発明に係る実施形態として、特定の健康保険組合に属する対象者のデータを、回帰モデルを利用して解析する例を説明する。ただし、以下の実施形態は例示であり、本発明は下記の構成には限定されない。

＜装置の機能構成＞
図１は、実施の形態に係るリスク分析装置の機能ブロック図である。本実施形態に係るリスク分析装置１は、健診情報記憶部１１と、レセプト記憶部１２と、モデル作成部１３
と、モデル記憶部１４と、危険度評価部１５と、結果記憶部１６とを備える。

健診情報記憶部１１は、例えば所定の集団に属する対象者の健康診断の結果を示すデータ（「健診情報」とも呼ぶ）が格納される。ここで、所定とは、本発明を実施するにあたって予めその範囲を特定した内容の情報を備えることを意味する。また、所定の集団とは医療保険を提供する集団であって、例えば特定の健康保険組合、国民健康保険組合、共済組合など、必要に応じて集団を適宜設定することができる。また、当該集団に属する対象者は、集団を構成する者全員であってもよいし、その一部であってもよい。なお、健診情報は、対象者について最新年度分と過去年度分とを保持しているものとする。

健診情報は、対象者の識別情報に関連付けて、受診年月日（受診年度）、所定の検査項目の測定値を含む。検査項目は、一般的な健康診断において測定される項目やオプションとして測定できる項目であり、身体検査（身長、体重等）、視力、聴力、血圧（収縮期及び拡張期）、尿一般（蛋白、糖、潜血等）、便、血液一般（白血球数、赤血球数、血色素量、ヘマトクリット、ＭＣＶ、ＭＣＨ、ＭＣＨＣ、血小板数等）、肝機能（総蛋白、Ａ／Ｇ比、アルブミン、総ビリルビン、ＴＴＴ、ＺＴＴ、ＡＳＴ（ＧＯＴ）、ＡＬＴ（ＧＰＴ）、ＡＬＰ、ＬＤＨ、ν－ＧＴＰ、コリンエステラーゼ等）、膵（血清アミラーゼ）、脂質（総コレステロール、ＨＤＬコレステロール、ＬＤＬコレステロール、中性脂肪（ＴＧ）、動脈硬化指数等）、痛風（尿酸）、腎機能（イヌリン、シスタチンＣ、尿素窒素、クレアチニン、ｅＧＦＲ等）、糖尿病（グルコース、フルクトース、血糖、ＨｂＡ１ｃ（ヘモグロビンＡ１ｃ）等）、血清（ＨＢｓ抗原、ＨＣＶ－ＩＩＩ抗体、ＴＰＨＡ法、ＲＰＲ法等）、所定の脳、心臓若しくは循環器等の疾患、血液型、血液像、心電図、胸部Ｘ線
、上部消化管、メタボ判定、保健指導レベル、腹部超音波、問診（問診票への回答）、総合判定、総合評価の少なくとも一部を含むものとする。

また、健診情報は、上述した健康診断の他、対象者が医療施設や薬局等で行う任意の血液検査や唾液による検査等の結果を反映させて、一部の検査項目について適宜更新するようにしてもよい。この場合、健診情報に代えて任意で受診した検査結果を使用してもよいし、健診情報に加えて任意に受診した検査結果を使用してもよい。健診情報に加えて、任意で受診した検査結果を使用すると、判断時点での健康状態の把握とリスク評価をより新しい情報を元に行うことができる。また、健康保険組合被保険者の扶養家族については健康診断の受診がなされていない場合もあるところ、任意で受診した検査結果を使用することで、判断時点での健康状態の把握とリスク評価をより精度よく行うことが可能となる。

レセプト記憶部１２は、医療機関が発行する医療費（診療報酬及び調剤報酬）の明細書であるレセプトの情報が格納される。レセプト情報は、受診者の識別情報に関連付けて、主傷病名と医療費とを含む。識別情報は、例えば、氏名、性別、生年月日といった個人情報や健康保険加入情報などを含む。したがって、対象者毎に所定の傷病名で受診した回数（すなわち病院にかかった回数）を集計することができる。また、対象者毎に、所定の傷病名で支払った医療費の金額についても、集計することができる。なお、健診情報の対象者の識別情報と、レセプト情報の受診者の識別情報とは、直接的又は間接的に紐付けられるものとする。

モデル作成部１３は、健診情報記憶部１１の過去年度分の健診情報と、レセプト記憶部１２の所定期間分（例えば、過去年度分）のレセプト情報とを用いて、リスクの程度を算出するための関数（「モデル」とも呼ぶ）を生成する。例えば、モデル作成部１３は、所定の回帰モデルを用いてリスクの程度の算出に用いるパラメータを決定し、モデル記憶部１４に記憶させる。モデルは、所定の傷病名で支払った医療費が予め定められた閾値以上である場合に発症したものとして、発症確率と、健診情報及びレセプト情報との関係を機械学習させたものであってもよい。なお、例えば１年間のような所定期間に、所定の疾患
名で医療費が所定金額以上かかった場合に当該疾患が「発症」したものとして扱い、当該疾患が発症する確率を、本実施形態では便宜上「発症確率」と呼ぶものとする。このようなモデルによれば、健診情報及びレセプト情報と上述したモデルとを用いて、リスクの程度である将来の発症確率を予測することができる。また、本実施形態では、説明変数の積によって表される交互作用項（交差項）を含むモデルを利用するものとする。また、モデル作成部１３は、健診情報やレセプト情報のうちモデルの説明変数に使用する項目及びこれらの組合せによって形成される交互作用項を、所定の情報量規準のような評価指標に基づいて選択する。

また、危険度評価部１５は、モデル記憶部１４のモデルと、健診情報記憶部１１の、上述した所定期間以降の期間（例えば、最新年度分）の健診情報とを用いて、対象者の発症確率を算出する。算出された発症確率は、対象者の識別情報と対応付けて結果記憶部１６に格納される。

＜装置構成＞
図２は、コンピュータの一例を示す装置構成図である。リスク分析装置１は、図２に示すようなコンピュータである。図２に示すコンピュータ１０００は、ＣＰＵ（Central Processing Unit）１００１、主記憶装置１００２、補助記憶装置１００３、通信ＩＦ（Interface）１００４、入出力ＩＦ（Interface）１００５、ドライブ装置１００６、通信バ
ス１００７を備えている。ＣＰＵ１００１は、プログラム（「ソフトウェア」又は「アプリケーション」とも呼ぶ）を実行することにより本実施の形態に係る処理等を行う。主記憶装置１００２は、ＣＰＵ１００１が読み出したプログラムやデータをキャッシュしたり、ＣＰＵの作業領域を展開したりする。主記憶装置は、具体的には、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）等である。補助記憶装置１００３は、ＣＰＵ１００１により実行されるプログラムや、本実施の形態で用いる設定情報などを記憶する。補助記憶装置１００３は、具体的には、ＨＤＤ（Hard-disk Drive）やＳＳＤ（Solid State Drive）、フラッシュメモリ等である。主記憶装置１００２や補助記憶装置１００３は、健診情報記憶部１１、レセプト記憶部１２、モデル記憶部１４及び結果記憶部１６として働く。なお、説明の便宜上、図１では複数の記憶部（健診情報記憶部１１、レセプト記憶部１２、モデル記憶部１４及び結果記憶部１６）を示したが、物理的には１つの記憶装置でも複数の記憶装置でもよい。通信ＩＦ１００４は、他のコンピュータとの間でデータを送受信する。リスク分析装置１は、通信ＩＦ１００４を介して接続された図示していないコンピュータから健診情報やレセプト情報を受信するようにしてもよい。通信ＩＦ１００４は、具体的には、有線又は無線のネットワークカード等である。入出力ＩＦ１００５は、入出力装置と接続され、ユーザから入力を受け付けたり、ユーザへ情報を出力したりする。入出力装置は、具体的には、キーボード、マウス、ディスプレイ、タッチパネル等である。ドライブ装置１００６は、磁気ディスク、光磁気ディスク、光ディスク等の記憶媒体に記録されたデータを読み出したり、記憶媒体にデータを書き込んだりする。そして、以上のような構成要素が、通信バス１００７で接続されている。なお、これらの構成要素はそれぞれ複数設けられていてもよいし、一部の構成要素（例えば、ドライブ装置１００６）を設けないようにしてもよい。また、入出力装置がコンピュータと一体に構成されていてもよい。また、ドライブ装置１００６で読み取り可能な可搬性の記憶媒体や、フラッシュメモリのような可搬性の補助記憶装置１００３、通信ＩＦ１００４などを介して、本実施の形態で実行されるプログラムが提供されるようにしてもよい。そして、ＣＰＵ１００１がプログラムを実行することにより、上記のようなコンピュータを図１に示したリスク分析装置１として働かせる。

なお、図１に例示した機能構成の少なくとも一部がネットワーク上に存在してもよい。例えば、図１の構成の少なくとも一部を担う１以上のコンピュータによる、いわゆるクラウドサービスとして提供されるようにしてもよい。

＜リスク分析処理＞
図３は、リスク分析処理の一例を示す処理フロー図である。なお、健診情報記憶部１１及びレセプト記憶部１２には、例えば所定の健康保険組合に属する対象者の健康診断の結果及び医療費の明細情報がそれぞれ保持されているものとする。リスク分析処理では、まず、リスク分析装置１のモデル作成部１３が、所定の発症確率を算出するための関数として表されるモデルを生成する（図３：Ｓ１）。

図４は、Ｓ１のモデル生成処理の一例を示す処理フロー図である。モデル作成部１３は、健診情報記憶部１１から所定期間に対象者が受診した健康診断の記録を読み出す（図４：Ｓ１１）。本ステップでは、モデル作成部１３は、健診情報から、過去に受けた健康診断における所定の検査項目の測定値を含む履歴を取得する。また、本ステップでは、例えば処理時点の前年分まで等のように、医療費の金額が確定している期間の健診情報を取得する。

また、モデル作成部１３は、レセプト記憶部１２から所定の期間において対象者に発生したレセプト情報を読み出し、集計する（Ｓ１２）。本ステップでは、レセプト情報として、対象者の識別情報と対応付けて主傷病名と医療費とが取得される。なお、対象者の識別情報は、上述した健診情報における対象者の識別情報と同一又は対応関係がわかっているものとする。なお、Ｓ１１の処理とＳ１２の処理とは順序を入れ替えてもよいし、並列に実行してもよい。また、健診情報及びレセプト情報は、過去１年分以上の所定年数分を用いるものとする。

Ｓ１２において使用される主傷病名としては特に限定されないが、例えば、高血圧症、高脂血症、糖尿病等を使用するものとして説明する。このような例では、主傷病名が高血圧症に関する受診（通院）の回数及び医療費、主傷病名が高脂血症に関する受診の回数及び医療費、主傷病名が糖尿病に関する受診の回数及び医療費、主傷病名が所定の脳、心臓若しくは循環器等の疾患に関する受診の回数を集計するものとする。具体的には、高血圧症に関する受診については、病名に「高血圧」という文字が含まれるもの、または、国際疾病分類（International Classification of Disease、以下ＩＣＤと称する）等によっ
て分類された同義の傷病名であってもよく、これらの傷病名を含むレセプトを集計する。高脂血症に関する受診については、病名に「高脂」または「脂質」または「コレステロール」という文字が含まれるもの、または、ＩＣＤ等によって分類された同義の傷病名であってもよく、これらの傷病名を含むレセプトを集計する。また、糖尿病に関する受診については、病名に「糖」という文字が含まれるもの、または、ＩＣＤ等によって分類された同義の傷病名であってもよく、これらの傷病名を含むレセプトを集計する。そして、所定の脳、心臓若しくは循環器等の疾患に関する受診についてとは、病名に「脳卒中」、「くも膜下出血」、「脳内出血」、「脳動脈硬化」、「脳塞栓」、「脳血管障害」、「脳出血」、「脳内出血」、「脳血栓」、「脳血管障害」、「脳幹部出血」、「脳室内出血」、「脳皮質下出血」、「脳動脈循環」、「脳循環不全」、「硬膜下血腫」、「脳皮質下出血」、「頭蓋内出血」、「心筋症」、「狭心症」、「動脈瘤」、「動脈解離」、「動脈狭窄」、「動脈閉塞」、「動脈閉鎖」、「動脈血栓」、「動静脈瘻」、「静脈塞栓」、「静脈瘤」、「静脈瘻」、「虚血」、「梗塞」（ただし、外傷性のものは除く）が含まれるもの、または、ＩＣＤ等によって分類された同義の傷病名、その他腎疾患、肝疾患であってもよく、これらの傷病名を含むレセプトを集計する。

また、モデル作成部１３は、複数の対象者の健診情報とレセプト情報とに基づいて、所定の発症確率を算出するためのモデルを生成する（Ｓ１３）。モデルは、線形関数、非線形関数は問わないが、本実施形態では複数の変数の積で表される交互作用項を含むモデルを採用するものとする。

例えば、線形関数を使用して算出する場合、モデルは、所定の傷病名で且つ医療費が所定の閾値以上となる確率を求めるためのロジスティック関数で表されるものであってもよい。例えば、発症確率Ｐを以下の式（１）に示すロジスティック関数（シグモイド関数）で表すことができる。

また、ロジット（対数オッズ）Ｚは、上述した測定値及び受診回数の各々を変数ｘ（ｘ₁、ｘ₂、ｘ₃、・・・）として、以下の式（２）で表す。

本実施形態に係るモデルは、１つの変数ｘ及びパラメータα（α₁、α₂、α₃、・・・
）の積によって表される項（α₁ｘ₁、α₂ｘ₂、α₃ｘ₃、・・・）と、複数（例えば２つ）の変数ｘ及びパラメータβ（β₁₂、β₁₃、β₂₃、・・・）の積で表される交互作用項（例えばβ₁₂ｘ₁ｘ₂、β₁₃ｘ₁ｘ₃、β₂₃ｘ₂ｘ₃）とを含む。交互作用項を含むモデルによれば、発症への影響に相乗効果のある変数の組合せの重みを大きくすることができ、リスク評価の精度を向上させることができる。また、初期的には、例えば、所定の検査項目及びこれらのうちの２項目からなる組合せをすべて含むモデルを作成するものとする。

また、変数ｘは、例えば、健診データにおける収縮期血圧、拡張期血圧、ＬＤＬコレステロール、ＨＤＬコレステロール、中性脂肪、血糖値、ＨｂＡ１ｃ等の測定値や、問診票の回答（例えば、はい・いいえ等の順序尺度）、レセプトデータを集計して求めた所定の疾病での受診回数等である。順序尺度で表される項目を説明変数として用いる場合は、当該順序尺度にゼロ以外の値を対応付け、当該値を用いて上述したモデルを算出するようにしてもよい。例えば、「はい」、「いいえ」の回答で表される説明変数について、それぞれ「１」、「－１」を割り当てる。仮にいずれかの値をゼロで表す場合、当該値を交互作用項に用いることができないところ、ゼロ以外の値を用いることで当該値を交互作用項に用いることができるようになる。

また、本ステップでは、例えば尤度法を用いて、パラメータα、パラメータβ、定数ｃを求める。すなわち、所定の尤度関数が最大となるパラメータα、パラメータβ、定数ｃを、例えば山登り法等の既存技術を用いて求めることができる。このとき、目的変数は、例えば生活習慣病の合併症発症リスクである。その教師データ例としては、当該疾患を主病名として支払われた年間医療費があらかじめ定められた閾値以上になった場合に「発症有」とフラグ付けしたデータを利用することが挙げられる。

次に、モデル作成部１３は、作成したモデルを評価する（Ｓ１４）。本ステップでは、所定の評価指標を算出する。例えば、評価指標として、ＡＩＣ（Akaike Information Criterion；赤池情報量規準）等の情報量規準を利用することができる。ＡＩＣは、統計モデルの複雑さとデータへの適合性のバランスを評価するための指標であり、例えば以下の式（３）で表すことができる。
ＡＩＣ＝－２ｌｏｇ（Ｌ）＋２ｋ・・・（３）
なお、Ｌは最大尤度、ｋは自由パラメータ数である。

一般的に、複雑なモデル式は、既知のデータへの過適合が生じ易く、未知のデータの予測能力が低下するおそれがある。ＡＩＣの値が小さいほど、一般的に良いモデル式であると判断できる。なお、ＡＩＣのほかに、ＢＩＣ（ベイズ情報量規準）、ＡＢＩＣ（赤池ベイズ情報量規準）、ＣＩＣ（Contrast-based information criterion）、ＤＩＣ（偏差情報量基準）、ＥＩＣ（ブートストラップ情報量規準）、ＧＩＣ（一般化情報量規準）、ＰＩＣ（予測情報量規準）、ＴＩＣ（竹内情報量規準）、ＷＢＩＣ（広く使える情報量規準）ＭＤＬ（Minimum Description Length；最小記述長）、ＨＱ（Hannan-Quinn）情報量規準等の情報量規準を利用してもよい。例えば、ＢＩＣは以下の式（４）で表すことができる。
ＢＩＣ＝－２ｌｏｇ（Ｌ）＋ｋ・ｌｏｇ（ｎ）・・・（４）
なお、Ｌは最大尤度、ｋは自由パラメータ数、ｎは標本の数である。

また、モデル作成部１３は、作成したモデルが所定の基準を満たすか判断する（Ｓ１５）。本ステップでは、モデル作成部１３は、所定の評価指標を用いてＳ１４で算出した評価値と所定の閾値との関係が所定の条件を満たすか判断する。本ステップでは、例えばその項を削除することによって、ＡＩＣを小さくするものがあるかどうかで判断する。ＡＩＣを小さくする項が存在しない場合、所定の条件を満たすと判断する。

作成したモデルが所定の基準を満たすと判断された場合（Ｓ１５：ＹＥＳ）、モデル作成処理を終了する。一方、作成したモデルが所定の基準を満たさないと判断された場合（Ｓ１５：ＮＯ）、モデル作成部１３は、モデルに含まれる項を変更する（Ｓ１６）。本ステップでは、例えばステップワイズ法により、有意でない項を１つ削除する。すなわち、削除することでＡＩＣが最も小さくなる項を、モデルから１つ削除する。そして、Ｓ１４の処理に戻ってモデルを評価すると共に、Ｓ１５においてモデルが所定の基準を満たすか判断する処理を繰り返す。すなわち、例えばモデルについて算出される所定の情報量規準と所定の閾値とが所定の大小関係であることという判断基準に基づいて、当該基準を満たしていないと判断された場合には、モデルについて算出される所定の情報量規準と所定の閾値とが所定の大小関係に近づくようにモデルに用いる説明変数を変更する。

なお、Ｓ１６における項の選択手法は、ステップワイズ法には限定されない。ステップワイズ法は局所探索法であるところ、例えば変数のあらゆる組み合わせについてＡＩＣを求めることにより、項の最適な組み合わせを求めるようにしてもよい。

以上のようにしてパラメータα、パラメータβ、定数ｃを決定し、所定の疾患の発症確率Ｐを求めるための関数を生成することができる。

その後、図３の処理に戻り、危険度評価部１５は、危険度評価処理を行う（図３：Ｓ２）。

図５は、危険度評価処理の一例を示す処理フロー図である。まず、危険度評価部１５は、対象者の最新の健診情報及び直近の所定期間におけるレセプト情報を取得する（図５：Ｓ２１）。本ステップでは、危険度評価部１５は、直近１年間の健診情報を抽出する。具体的には、モデル作成処理において作成された発症確率Ｐを算出するために用いられる検査項目に係る測定値を、健診データから取得する。なお、直近の健診情報を用いることで、処理時点における対象者の最新の健康リスクを評価することができるが、過去の任意の時点における健診情報を用いて当該時点で想定された健康リスクを評価することもできる。

次に、危険度評価部１５は、Ｓ１４で生成した発症確率Ｐのモデルを用いて対象者の発症確率を算出する（Ｓ２２）。本ステップでは、危険度評価部１５は、Ｓ２１で取得した健康診断の測定値及び医療費と、Ｓ１４で生成したパラメータα、パラメータβ、定数ｃを用いて、式１に示した発症確率Ｐを算出する。

そして、危険度評価部１５は、保健指導の対象者を抽出する（Ｓ２３）。危険度評価部１５は、例えば、発症確率Ｐの大きさが上位所定数の対象者を、リスクが大きい対象者として抽出する。

＜効果＞
モデルは、過去の健康診断における測定値と当該健康診断を受診した年の所定の疾病に係る受診回数とに基づいて作成されたものであり、処理時点における対象者のリスクを表す値である。よって、抽出した対象者は、保健指導を行う優先度の高い者といえる。このような評価を元にして、対象者に対し、栄養指導、運動指導、機能性食品の選択等のコンサルティングを行うことができる。本実施形態に係るモデルは、説明変数の積を含む交互作用項を有するため、発症確率の上昇に対して相乗的に影響する測定項目の組合せを適切に評価できる。したがって、本システムによって推定される発症確率の精度を向上させることができる。

＜変形例＞
また、関連のある測定項目間で測定値を比較するための換算式を予め定めておき、同一の測定項目としてモデルの作成（図４：Ｓ１３）を行うようにしてもよい。例えば、国内独自の表記に基づく値と国際標準に沿った表記に基づく値とを換算する換算式を定義しておくことができる。ＨｂＡ１ｃ（ヘモグロビンＡ_１ｃ）について、国内で標準化された値（ＪＤＳ（Japan Diabetes Society）値と呼ぶものとする）と、国際的に用いられる値（ＮＧＳＰ（National Glycohemoglobin Standardization Program）値と呼ぶものとする）との間で、以下のような換算式を定義してもよい。
ＮＧＳＰ値＝ＪＤＳ値＋０．４
このようにすれば、ＪＤＳ値及びＮＧＳＰ値のいずれかが存在すれば、モデルの変数として使用することができる。

＜その他＞
以上、本発明の各種構成要素、評価条件について例示をしたが、本発明の範囲はこれに限定されるものではなく、上記条件を参照しながら適宜選択することが可能である。

また、本発明は、上述した処理を実行するコンピュータプログラムや、当該プログラムを記録した、コンピュータ読み取り可能な記録媒体を含む。当該プログラムが記録された記録媒体は、プログラムをコンピュータに実行させることにより、上述の処理が可能となる。

ここで、コンピュータ読み取り可能な記録媒体とは、データやプログラム等の情報を電気的、磁気的、光学的、機械的、または化学的作用によって蓄積し、コンピュータから読み取ることができる記録媒体をいう。このような記録媒体のうちコンピュータから取り外し可能なものとしては、フレキシブルディスク、光磁気ディスク、光ディスク、磁気テープ、メモリカード等がある。また、コンピュータに固定された記録媒体としては、ＨＤＤやＳＳＤ（Solid State Drive）、ＲＯＭ等がある。

１リスク分析装置
１１健診情報記憶部
１２レセプト記憶部
１３モデル作成部
１４モデル記憶部
１５危険度評価部
１６結果記憶部

Claims

複数の対象者の所定期間における健康診断の測定値を含む健診情報と、前記複数の対象者の前記所定期間における医療費及び傷病名を含むレセプト情報とを記憶部から取得するステップと、
前記健診情報に含まれる所定の測定項目の測定値、及びレセプト情報を集計して求められる所定の傷病名での受診回数を説明変数とし、当該説明変数の積によって形成される交互作用項を含むモデルであって、前記レセプト情報において所定の傷病名で且つ医療費が所定の閾値以上となる確率を表すモデルを、当該モデルにおいて算出される、汎化性能を評価するための情報量規準に基づき、前記健診情報及び前記レセプト情報のうち当該モデルの説明変数に使用される項目及び当該交互作用項を選択して作成するモデル作成ステップと、
前記対象者の前記所定期間以降における健診情報を前記記憶部から読み出し、当該健診情報に基づく値と前記モデルとを用いてリスクの評価値を算出するリスク評価ステップと、
をコンピュータが実行するリスク評価方法。
前記モデル作成ステップにおいて、前記モデルについて算出される前記情報量規準と所定の閾値とが所定の大小関係に近づくように前記モデルに用いる説明変数を変更する
請求項１に記載のリスク評価方法。
前記リスク評価ステップにおいて、複数の対象者について前記リスクの評価値を算出し、算出されたリスクの評価値の大きさに基づいて上位所定数の対象者を抽出する
請求項１又は２に記載のリスク評価方法。
前記健診情報が順序尺度で表される項目を含む場合、当該順序尺度の各々にゼロ以外の値を対応付け、当該値を用いて前記モデルを算出する
請求項１から３のいずれか一項に記載のリスク評価方法。
複数の対象者の所定期間における健康診断の測定値を含む健診情報と、前記複数の対象者の前記所定期間における医療費及び傷病名を含むレセプト情報とを記憶部から取得し、前記健診情報に含まれる所定の測定項目の測定値、及びレセプト情報を集計して求められ
る所定の傷病名での受診回数を説明変数とし、当該説明変数の積によって形成される交互作用項を含むモデルであって、前記レセプト情報において所定の傷病名で且つ医療費が所定の閾値以上となる確率を表すモデルを、当該モデルにおいて算出される、汎化性能を評価するための情報量基準に基づき、前記健診情報及び前記レセプト情報のうち当該モデルの説明変数に使用される項目及び当該交互作用項を選択して作成するモデル作成部と、
前記対象者の前記所定期間以降における健診情報を前記記憶部から読み出し、当該健診情報に基づく値と前記モデルとを用いてリスクの評価値を算出するリスク評価部と、
を備えるリスク評価装置。
複数の対象者の所定期間における健康診断の測定値を含む健診情報と、前記複数の対象者の前記所定期間における医療費及び傷病名を含むレセプト情報とを記憶部から取得するステップと、
前記健診情報に含まれる所定の測定項目の測定値、及びレセプト情報を集計して求められる所定の傷病名での受診回数を説明変数とし、当該説明変数の積によって形成される交互作用項を含むモデルであって、前記レセプト情報において所定の傷病名で且つ医療費が所定の閾値以上となる確率を表すモデルを、当該モデルにおいて算出される、汎化性能を評価するための情報量基準に基づき、前記健診情報及び前記レセプト情報のうち当該モデルの説明変数に使用される項目及び当該交互作用項を選択して作成するモデル作成ステップと、
前記対象者の前記所定期間以降における健診情報を前記記憶部から読み出し、当該健診情報に基づく値と前記モデルとを用いてリスクの評価値を算出するリスク評価ステップと、
をコンピュータに実行させるリスク評価プログラム。