JP7752499B2 - リスク分析支援システム及びリスク分析支援方法 - Google Patents

Description

本発明は、健康状態が変化するリスクの分析を支援する技術に関する。

健康保険料を基に運営される健康保険者は、加入者の健康維持増進に資する保健事業施策を行うことで、医療費を抑制し将来の収支改善に努めている。加入者の健康維持増進のためには、健康指導を行う者の人的リソース確保が必要であり、加入者全員に対してサービスを提供することが困難である。そこで、限られたリソースの中で最大の費用対効果を得るために、指導対象者の抽出及び選定が必要となる。これまで、医療費の情報を用いて、対象者の抽出を行うための技術が開示されている。

例えば、特開２０１２－１２８６７０号公報（特許文献１）には、「レセプト情報、健診情報、及び保健指導情報に基づいて、保健指導対象者を選択する保健事業支援システムであって、健康保険加入者の重症度及び検査値ごとの予測医療費を示す医療費モデルを作成する医療費モデル作成部と、重症度及び検査値ごとの改善量を示す検査値改善モデルを作成する検査値改善モデル作成部と、保健指導による予測医療費削減量を重症度及び検査値ごとに算出する予測医療費削減効果算出部と、予測医療費削減量が高い重症度及び検査値に属する健康保険加入者を保健指導対象者として選択する対象者選択部と、を備えることを特徴とする。」と記載されている。

特開２０１２－１２８６７０号公報

上記特許文献１に記載されている方法は、将来期待される医療費を推計する手法を用いて、保健指導によって検査値が改善した場合に抑制されると期待される医療費を算出し、この値に応じた対象者の抽出を行うものである。しかしながら、この方法では抽出基準が医療費であり、医療費以外に発症や入院、その他イベント発生リスクへの対応が考慮されていない。そこで、本発明は上記課題を解決するため、複数の疾病、又は、疾病の複数の重症度レベルに関するリスクを鑑みて指導対象者の優先順位付けを行い効果的な対象者抽出を行うことを可能にすることを目的とする。

上記課題の少なくとも一つを解決するために、本願において開示される発明の代表的な一例は、リスク分析支援システムであって、プロセッサと、前記プロセッサに接続される記憶装置と、を有し、前記記憶装置は、複数の人物の健康に関する健康情報と、前記複数の人物の属性情報と、複数の健康状態の定義情報と、を保持し、前記プロセッサは、前記健康情報、前記属性情報及び前記複数の健康状態の定義情報に基づいて、前記健康状態が変化するリスクを計算するためのリスクモデルを構築し、前記健康情報、前記属性情報及び前記リスクモデルに基づいて、前記複数の人物の前記健康状態が変化するリスクを示すリスク値を計算し、前記リスク値に基づいて、前記複数の人物に対する保健指導の優先順位を計算し、前記リスクモデルは、前記健康状態ごとに、当該健康状態への変化が発生するリスクを計算するためのリスクモデルを含み、前記記憶装置は、前記健康状態ごとに、当該健康状態への変化が発生するリスクに基づいて当該健康状態への変化が発生するか否かを判定する閾値を保持し、前記プロセッサは、前記健康状態ごとに、当該健康状態への変化が発生するリスクを示すリスク値を計算し、前記健康状態ごとに、前記閾値に基づいて、前記リスク値を補正し、補正後の前記リスク値に基づいて、前記複数の人物に対する保健指導の優先順位を計算することを特徴とする。

本発明の一態様によれば、疾病の発症又は重症化といった健康状態の変化を予防するための健康指導の優先順位を適切に決定することができる。前述した以外の課題、構成及び効果は、以下の実施例の説明によって明らかにされる。

本発明の実施例１のリスク分析支援システムの構成の一例を示すブロック図である。 本発明の実施例１の受診歴情報管理部が管理する受診基本情報の一例を示す説明図である。 本発明の実施例１の受診歴情報管理部が管理する傷病名情報の一例を示す説明図である。 本発明の実施例１の受診歴情報管理部が管理する診療行為情報の一例を示す説明図である。 本発明の実施例１の健診情報管理部が管理する健診情報の一例を示す説明図である。 本発明の実施例１の属性情報管理部が管理する属性情報の一例を示す説明図である。 本発明の実施例１の分析データ管理部が管理する重症度定義情報の一例を示す説明図である。 本発明の実施例１の分析データ管理部が管理する重症度判定結果情報の一例を示す説明図である。 本発明の実施例１の分析データ管理部が管理する指導履歴情報の一例を示す説明図である。 本発明の実施例１のリスクモデル情報管理部が管理するリスクモデルパラメータ情報の一例を示す説明図である。 本発明の実施例１の対象者抽出情報管理部が管理する対象者抽出情報の一例を示す説明図である。 本発明の実施例１の状態判定部が実行する処理の一例を示すフローチャートである。 本発明の実施例１のリスクモデル構築部が実行する処理の一例を示すフローチャートである。 本発明の実施例１のリスク値算出部が実行する処理の一例を示すフローチャートである。 本発明の実施例１の対象者抽出部が実行する処理の一例を示すフローチャートである。 本発明の実施例１の状態判定部及びリスクモデル構築部の処理に対応するユーザインターフェースの一例を示す説明図である。 本発明の実施例１のリスク値算出部及び対象者抽出部の処理に対応するユーザインターフェースの一例を示す説明図である。 本発明の実施例２のリスク分析支援システムの構成の一例を示すブロック図である。 本発明の実施例２の分析データ管理部が管理する対象疾病定義情報の一例を示す説明図である。 本発明の実施例２の分析データ管理部が管理する重症度判定結果情報の一例を示す説明図である。 本発明の実施例２のリスクモデル情報管理部が管理するモデル別識別閾値情報の一例を示す説明図である。 本発明の実施例２のリスクモデル情報管理部が管理するリスク補正結果情報の一例を示す説明図である。 本発明の実施例２の対象者抽出情報管理部が管理する対象者抽出情報の一例を示す説明図である。 本発明の実施例２のリスクモデル構築部が実行する処理の一例を示すフローチャートである。 本発明の実施例２の対象者抽出部１１４及びリスク値補正部１１５が実行する処理の一例を示すフローチャートである。 本発明の実施例２の状態判定部１１２及びリスクモデル構築部１１１の処理に対応するユーザインターフェースの一例を示す説明図である。 本発明の実施例２のリスク値算出部、対象者抽出部及びリスク値補正部の処理に対応するユーザインターフェースの一例を示す説明図である。

以下、本発明の実施例を図面に基づいて説明する。

図１は、本発明の実施例１のリスク分析支援システム１０１の構成の一例を示すブロック図である。

リスク分析支援システム１０１は、コンピュータシステムであり、例えばキーボード及びマウスなどの入力部１０２、表示データを出力するディスプレイを表す出力部１０３、ＣＰＵ（Central Processing Unit）１０４、メモリ１０５、通信部１０８及び記憶媒体１０６を備えている。

リスク分析支援システム１０１は、リスクモデル構築部１１１、状態判定部１１２、リスク値算出部１１３及び対象者抽出部１１４を有している。リスクモデル構築部１１１～対象者抽出部１１４の各部の機能は、ＣＰＵ１０４が記憶媒体１０６に格納されたプログラムを実行することによって実現される。これらのプログラムがＣＰＵ１０４によって実行されるときに、それらの少なくとも一部が必要に応じてメモリ１０５にコピーされてもよい。

リスク分析支援システム１０１にはデータベース１０７が接続される。データベース１０７は、受診歴情報管理部１２０、健診情報管理部１２１、属性情報管理部１２２、分析データ管理部１２３、リスクモデル情報管理部１２４及び対象者抽出情報管理部１２５を有する。本実施例において、受診歴情報管理部１２０は、後述する受診基本情報２００（図２）、傷病名情報３００（図３）及び診療行為情報４００（図４）を管理する。健診情報管理部１２１は、後述する健診情報５００（図５）を管理する。属性情報管理部１２２は、後述する属性情報６００（図６）を管理する。分析データ管理部１２３は、後述する重症度定義情報７００（図７）、重症度判定結果情報８００（図８）及び指導履歴情報９００（図９）を管理する。リスクモデル情報管理部１２４は、後述するリスクモデルパラメータ情報１０００（図１０）を管理する。対象者抽出情報管理部１２５は、後述する対象者抽出情報（図１１）を管理する。

データベース１０７は、例えば、ネットワークを介してリスク分析支援システム１０１に接続された記憶システムに格納されもよいし、リスク分析支援システム１０１内に（例えば記憶媒体１０６に格納されることによって）内蔵されてもよい。データベース１０７がリスク分析支援システム１０１の外部のシステムに格納される場合、その内容の少なくとも一部が必要に応じて記憶媒体１０６又はメモリ１０５にコピーされてもよい。また、入力部１０２、出力部１０３、ＣＰＵ１０４、メモリ１０５及び記憶媒体１０６を有する計算機と、データベース１０７とを含むシステム全体をリスク分析支援システムと呼んでもよい。

また、リスク分析支援システム１０１は、例えば図１に示す構成を有する一つの計算機によって実現されてもよいが、複数の計算機によって実現されてもよい。例えば、前述したデータベース１０７が保持する情報が、複数の記憶媒体１０６又はメモリ１０５に分散して格納されてもよいし、前述したリスク分析支援システム１０１の機能が、複数の計算機の複数のＣＰＵ１０４によって分散して実行されてもよい。

図２は、本発明の実施例１の受診歴情報管理部１２０が管理する受診基本情報２００の一例を示す説明図である。

受診基本情報２００は、各人物が医療機関において受診した履歴の情報である。この情報は、例えば医療機関によって作成されたレセプトから収集されてもよいが、それに限らず、いつ誰が医療機関を利用して診療を受けたのかがわかる情報であれば、利用することができる。

受診基本情報２００は、各人物を特定する個人ＩＤ２０１、各人物が過去に受けた診療を特定する受診歴ＩＤ２０２、診療を行った医療機関を示す医療機関コード２０３、診療が行われた年及び月を示す診療年月２０４、当該診療に対応する医療費の情報を示す合計点数２０５、受けた診療の種別（例えば入院又は外来など）の情報を示す受診種別２０６、及び、診療に要した日数を示す診療日数２０７を含む。上記のような受診履歴の情報がレセプトから収集される場合には、受診歴ＩＤ２０２は、レセプトを特定するものであってもよい。これらの情報によって、例えばレセプト等の受診履歴を示す情報に基づいて集計及び分析を行うことができる。

図３は、本発明の実施例１の受診歴情報管理部１２０が管理する傷病名情報３００の一例を示す説明図である。

傷病名情報３００は、受診履歴の情報から抽出された傷病に関する情報であり、受けた診療を特定するための受診歴２０２、治療対象となった傷病を示す傷病名３０２、傷病名に対応する傷病コード３０３、複数の疾病の中で最も医療資源を投入した疾病に付与される主傷病フラグ３０４、及び、当該傷病名に罹患しているかどうかを確認するために検査を実施し、未確定である状態などを示す疑いフラグ３０５を含む。

図３の例では、主傷病フラグ３０４の値「１」は、当該傷病が主傷病であることを示す。また、疑いフラグ３０５の値「１」は、当該傷病が疑われたことを示す。

例えば一人の患者が１カ月間に複数の病気のために診療を受けた場合、傷病名３０２、傷病コード３０３、主傷病フラグ３０４及び疑いフラグ３０５の複数の組が同じ受診歴ＩＤ２０２に対応付けられる。また、傷病名情報３００の各レコードは、受診歴ＩＤ２０２を介して個人ＩＤ２０１と対応付けられる。傷病名情報３００を用いることによって、傷病別に分析することが可能になる。

図４は、本発明の実施例１の受診歴情報管理部１２０が管理する診療行為情報４００の一例を示す説明図である。

診療行為情報４００は、受診履歴の情報から抽出された、それぞれの月に患者に対して施された診療行為に関する情報であり、受けた診療を特定するための受診歴ＩＤ２０２、患者に対して施された診療行為を示す診療行為名称４０２、診療行為に対応する診療行為コード４０３、診療行為ごとに定められた診療行為点数４０４、及び、診療行為が行われた日を示す１日の情報４０５から３１日の情報４０８を含む。診療行為情報４００の各レコードは、受診歴２０２を介して個人ＩＤ２０１と対応付けられる。

診療行為が行われた日を示す１日の情報４０５から３１日の情報４０８は、その月の１日から３１日までの各日に、診療行為名称４０２が示す診療行為が行われたか否かを示す情報である。図４には例として１日の情報４０５、２日の情報４０６、３日の情報４０７及び３１日の情報４０８を示すが、実際には４日の情報から３０日の情報も含まれる。この情報によって、診療行為別に分析することが可能になる。

図５は、本発明の実施例１の健診情報管理部１２１が管理する健診情報５００の一例を示す説明図である。

健診情報５００は、各人物が受けた健康診断（健診）の結果に関する情報であり、個人ＩＤ２０１、健診を特定する健診ＩＤ５０２、健診を受けた年度を示す受診年度５０３、ＢＭＩ（Body Mass Index）５０４、空腹時血糖５０５、ＨｂＡ１ｃ５０６、クレアチニン５０７、及び問診結果５０８などを含む。問診結果５０８は、例えば、飲酒の習慣の有無、運動の習慣の有無等を示す情報等を含んでもよい。上記のＢＭＩ５０４からクレアチニン５０７は、健康診断の結果として得られる情報の代表的な例であり、実際には健診情報５００がこれらの少なくともいずれかを含まなくてもよいし、これら以外の項目の情報（例えば収縮期血圧、拡張期血圧など）を含んでもよい。この情報によって、健康状態に基づく分析が可能になる。

図６は、本発明の実施例１の属性情報管理部１２２が管理する属性情報６００の一例を示す説明図である。

属性情報６００は、各人物の属性に関する情報であり、個人ＩＤ２０１、性別６０２、生年月日６０３、各人物の健康保険への加入日の情報を示す加入年月日６０４、及び、健康保険からの脱退日の情報を示す脱退年月日６０５を含む。この情報によって、各人物の年齢、性別及び追跡可能年数等に応じた分析が可能になる。

図７は、本発明の実施例１の分析データ管理部１２３が管理する重症度定義情報７００の一例を示す説明図である。

重症度定義情報７００は、各人物の受診歴情報及び健診情報等に基づいて重症度を判定するための定義情報であり、定義ＩＤ７０１、定義内容７０２及び判定レベル７０３を含む。人物の受診歴及び健診結果等から得られる情報が定義内容７０２の値に該当する場合、判定レベル７０３の値が当該人物の重症度として判定される。本実施例では、未発症を示す「０」から、最も症状が重いことを示す「３」までの４段階の重症度レベルが定義される。

例えば、図７に示す重症度定義情報７００の１行目は、空腹時血糖が１２６未満、かつ、ＨｂＡ１ｃが６．５未満の場合に重症度レベルが「０」と判定されることを示し、２行目は、空腹時血糖が１２６以上、かつ、ＨｂＡ１ｃが６．５以上の場合に重症度レベルが「１」と判定されることを示す。３行目は、糖尿病合併症がある場合に重症度レベルが「２」と判定されることを示す。４行目は、慢性腎不全の場合に重症度レベルが「３」と判定されることを示す。例えば、各人物の空腹時血糖及びＨｂＡ１ｃは健診情報５００から得られてもよいし、各人物に糖尿病合併症があるか否か及び各人物が慢性腎不全であるか否かは受診基本情報及び傷病名情報から得られてもよい。重症度定義情報７００によって、受診歴情報及び健診情報等に基づく各人物の重症度の判定が可能になる。

図８は、本発明の実施例１の分析データ管理部１２３が管理する重症度判定結果情報８００の一例を示す説明図である。

重症度判定結果情報８００は、各人物の受診歴情報及び健診情報等と、重症度定義情報７００とに基づいて重症度を判定した結果を示す情報であり、個人ＩＤ２０１、対象年度８０２、重症度レベル０該当有無８０３、重症度レベル１該当有無８０４、重症度レベル２該当有無８０５、重症度レベル３該当有無８０６及び判定結果８０７を含む。

個人ＩＤ２０１は、人物を特定する情報である。対象年度８０２は、重症度判定の対象の年度を示す。重症度レベル０該当有無８０３～重症度レベル３該当有無８０６は、それぞれ、各人物の対象年度の受診履歴及び健診結果等の情報が、重症度定義情報７００によって定義された重症度レベル０～３に該当するか否かを示す。図８の例では、「１」が該当、「０」が非該当を示す。判定結果８０７は、重症度レベル０該当有無８０３～重症度レベル３該当有無８０６の情報に基づいて判定された重症度レベルを示す。

例えば、図８に示す重症度判定結果情報８００の１行目は、個人ＩＤ「Ｐ００１」の人物の２０１８年度の受診履歴及び健診結果が重症度レベル０に該当し、重症度レベル１～３には該当せず、その結果、当該人物の当該年度の重症度レベルが「０」であると判定されたことを示している。また、１０～１２行目は、個人ＩＤ「Ｐ００３」の人物の２０１９年度～２０２１年度の判定結果を示している。２０１９年度において、受診履歴及び健診結果が重症度レベル１に該当し、重症度レベル２、３には該当せず、その結果、該当する重症度レベルのうち最も高い「１」が当該人物の当該年度の重症度レベルとして判定されている。２０２０年度において、受診履歴及び健診結果が重症度レベル１、２に該当し、重症度レベル３には該当せず、その結果、該当する重症度レベルのうち最も高い「２」が当該人物の当該年度の重症度レベルとして判定されている。２０２１年度において、受診履歴及び健診結果が重症度レベル１～３に該当し、その結果、該当する重症度レベルのうち最も高い「３」が当該人物の当該年度の重症度レベルとして判定されている。

図９は、本発明の実施例１の分析データ管理部１２３が管理する指導履歴情報９００の一例を示す説明図である。

指導履歴情報９００は、各人物に対して過去に行われた保健指導の履歴を管理する情報であり、個人ＩＤ２０１、対象年度９０２、重症度レベル１指導実施有無９０３、重症度レベル２指導実施有無９０４、重症度レベル３指導実施有無９０５、指導対象外フラグ９０６及び指導対象判定事由９０７を含む。

個人ＩＤ２０１は、人物を特定する情報である。対象年度９０２は、保健指導の対象の年度を示す。重症度レベル１指導実施有無９０３～重症度レベル３指導実施有無９０５は、各人物に対してそれぞれの重症度レベルに対応する保健指導が行われたか否かを示す。指導対象外フラグ９０６は、各人物が保健指導の対象外であるかを示す。指導対象判定事由９０７は、各人物が保健指導の対象外であると判定された場合にその理由を示す。

例えば、図９に示す指導履歴情報９００の１行目は、個人ＩＤ「Ｐ００１」の人物に対して２０２０年度にいずれの重症度レベルに対応する保健指導も行われなかったことを示す。また、４行目は、個人ＩＤ「Ｐ００２」の人物に対して２０１９年度に重症度レベル１に対応する保健指導が行われたこと、及び、複数年にわたって当該人物に対して同一の保健指導が行われたために現在は当該人物が保健指導の対象外であることを示す。また、５行目は、個人ＩＤ「Ｐ００３」の人物に対して２０２１年度に重症度レベル２及び３に対応する保健指導が行われたこと、及び、既に当該人物に対して医療機関による治療が開始されたために現在は当該人物が保健指導の対象外であることを示す。

保健指導の目的が、疾病の発症及び重症化を防ぐことで医療費を抑制することにあるとすると、同じ人物に何度も同じ指導をするよりも、まだ指導をしたことがない人物に指導をする方が高い効果を期待できる。また、既に重症化が進行して医療機関による治療が開始された人物については、医療費の抑制という目的を既に果たせなくなっている。このため、そのような場合には保健指導の対象から除外することで、限られたリソースを活用した医療費の抑制に寄与することができる。

図１０は、本発明の実施例１のリスクモデル情報管理部１２４が管理するリスクモデルパラメータ情報１０００の一例を示す説明図である。

リスクモデルパラメータ情報１０００は、リスクを査定するモデル（リスクモデル）を特定するモデルＩＤ１００１、それぞれのモデルがどのようなモデルであるかを示すモデル名１００２、及び、モデルの構造とパラメータを示すモデルパラメータ１００３を含む。

例えば、リスクモデル構築部１１１が、受診基本情報２００、傷病名情報３００、診療行為情報４００、健診情報５００、属性情報６００、重症度定義情報７００及び重症度判定結果情報８００に基づいて、各人物の受診履歴、健診結果及び属性の少なくともいずれかの項目の値から各人物の健康状態の変化のリスク値を計算するための１以上のモデルを生成する。生成されたリスクモデルの種類、構造及びパラメータがリスクモデルパラメータ情報１０００に格納される。

ここで、健康状態の変化のリスク値とは、例えばいずれかの疾病の発症リスクを示す値であってもよいし、いずれかの疾病の重症度の変化（特に悪化）のリスクを示す値であってもよい。すなわち、リスクモデルパラメータ情報１０００として、例えば疾病の種類ごとの発症リスクを計算するためのリスクモデルが保持されてもよいし、特定の疾病の重症度の変化のリスクを計算するためのリスクモデルが保持されてもよい。本実施例では、特定の疾病（例えば糖尿病）の発症及び重症度の変化のリスクを計算するためのリスクモデルが保持される。以下、特定の疾病の発症及び重症度の変化のリスクを計算する場合を例として本実施例を説明するが、例えば疾病の種類ごとの発症リスクを計算する場合にも本実施例を適用できることは言うまでもない。

図１０の例では、モデルＩＤ「１」のリスクモデルとして、特定の疾病（例えば糖尿病）をまだ発症していない人物が、重症度レベル１以上の当該疾病を発症するリスクを計算するためのモデルが保持される。この例では、年齢及び空腹時血糖等を説明変数、重症度レベル１以上の当該疾病の発症確率を目的変数とするモデルのパラメータが登録されている。

同様に、モデルＩＤ「２」のリスクモデルとして、重症度レベル１以下の人物が重症度レベル２以上の当該疾病を発症するリスクを計算するためのモデルが保持される。この例では、年齢、性別、空腹時血糖及びクレアチニン等を説明変数、重症度レベル２以上の当該疾病の発症確率を目的変数とするモデルのパラメータが登録されている。さらに、モデルＩＤ「３」のリスクモデルとして、重症度レベル２以下の人物が重症度レベル３以上の当該疾病を発症するリスクを計算するためのモデルが保持される。この例では、年齢、性別、尿蛋白及びクレアチニン等を説明変数、重症度レベル３以上の当該疾病の発症確率を目的変数とするモデルのパラメータが登録されている。

この例では、あるレベル以上の重症度の発症確率を計算するためのモデルを示しているが、例えば重症度レベル１の疾病の発症確率を計算するためのモデルなど、特定のレベルの重症度の疾病の発症確率を計算するためのモデルが作成されてもよい。また、モデルパラメータとして、例えば回帰モデルのパラメータが登録されてもよいが、リスク値を予測できるモデルであれば、その他のモデルのパラメータが登録されてもよい。この情報によって、各人物の重症度レベルごとの発症リスクを計算することが可能になる。

図１１は、本発明の実施例１の対象者抽出情報管理部１２５が管理する対象者抽出情報１１００の一例を示す説明図である。

対象者抽出情報１１００は、リスクモデルパラメータ情報１０００に基づいて計算された各人物の発症リスクと、それに基づいて計算された介入優先順位とを管理する情報である。図１１には、一例として、テーブル１１１０、１１２０及び１１３０からなる対象者抽出情報１１００を示す。

テーブル１１１０には、現在の重症度レベルが「２」である人物の重症度レベル３以上の発症確率と、それに基づいて計算された、保健指導等の介入を行う優先順位とが保持される。具体的には、個人ＩＤ１１１１は、各人物を特定する情報である。現在レベル１１１２は、各人物の現在の重症度レベル（この例ではレベル「２」）を示す。レベル３以上発症確率１１１３は、例えば、リスクモデルパラメータ情報１０００のモデルＩＤ「３」のリスクモデルを用いて計算された各人物の重症度レベル３以上の発症確率を示す。介入優先順位１１１４は、各人物への保健指導等の介入の優先順位を示す。この例では、発症確率が高い人物に高い介入優先順位が付与されている。

テーブル１１２０には、現在の重症度レベルが「１」である人物の重症度レベル２以上の発症確率と、それに基づいて計算された介入優先順位とが保持される。具体的には、個人ＩＤ１１２１は、各人物を特定する情報である。現在レベル１１２２は、各人物の現在の重症度レベル（この例ではレベル「１」）を示す。レベル２以上発症確率１１２３は、例えば、リスクモデルパラメータ情報１０００のモデルＩＤ「２」のリスクモデルを用いて計算された各人物の重症度レベル２以上の発症確率を示す。介入優先順位１１２４は、各人物への保健指導等の介入の優先順位を示す。この例では、発症確率が高い人物に高い介入優先順位が付与されている。

テーブル１１３０には、現在の重症度レベルが「０」（すなわち未発症）である人物の重症度レベル１以上の発症確率と、それに基づいて計算された介入優先順位とが保持される。具体的には、個人ＩＤ１１３１は、各人物を特定する情報である。現在レベル１１３２は、各人物の現在の重症度レベル（この例ではレベル「０」）を示す。レベル１以上発症確率１１３３は、例えば、リスクモデルパラメータ情報１０００のモデルＩＤ「１」のリスクモデルを用いて計算された各人物の重症度レベル１以上の発症確率を示す。介入優先順位１１３４は、各人物への保健指導等の介入の優先順位を示す。この例では、発症確率が高い人物に高い介入優先順位が付与されている。

図１１の例では、テーブルごとに介入優先順位が設定されるため、例えば介入優先順位が１位の人物が複数存在することとなる。この場合に、最終的にどの重症度レベルの人物の介入を優先するかは、例えば、治療のための医療リソースの種類、量、及び、保健指導のためのリソースの種類、量等に応じて決定することができる。例えば、重症度レベル３の発症確率に基づく介入優先順位が高い人物を最優先としてもよい。

また、図１１の例では説明のために対象者抽出情報１１００を３つのテーブルに分けて示したが、実際には一つのテーブルであってもよい。例えば、各人物の個人ＩＤと、各人物の現在の重症度レベルと、各人物の現在の重症度レベルの１段上の重症度レベルの発症確率と、それに基づいて計算された各人物の介入優先順位と、を含む一つのテーブルが対象者抽出情報１１００として保持されてもよい。

図１２は、本発明の実施例１の状態判定部１１２が実行する処理の一例を示すフローチャートである。

処理が開始されると（ステップ１２０１）、状態判定部１１２は、属性情報、健診情報、受診歴情報及び重症度定義を読み込む（ステップ１２０２～１２０５）。これによって、例えば、属性情報６００、健診情報５００、受診基本情報２００、傷病名情報３００、診療行為情報４００及び重症度定義情報７００が読み込まれる。

次に、状態判定部１１２は、読み込んだ情報に基づいて、各人物の各年度の重症度フラグを生成する（ステップ１２０６）。これによって、例えば重症度判定結果情報８００の重症度レベル０該当有無８０３～重症度レベル３該当有無８０６の値が生成される。

次に、状態判定部１１２は、ステップ１２０６で生成した重症度フラグに基づいて、各人物の各年度の重症度判定結果情報を生成する（ステップ１２０７）。これによって、例えば重症度判定結果情報８００の判定結果８０７の値が生成され、重症度判定結果情報８００が完成する。

以上で処理が終了する（ステップ１２０８）。

図１３は、本発明の実施例１のリスクモデル構築部１１１が実行する処理の一例を示すフローチャートである。

処理が開始されると（ステップ１３０１）、リスクモデル構築部１１１は、リスクモデル構築の条件を設定する（ステップ１３０２）。これによって、例えば、説明変数及び目的変数の時期的範囲、対象となる人物の年齢の範囲等が設定される。

次に、リスクモデル構築部１１１は、属性情報、健診情報、受診歴情報及び重症度判定結果を読み込む（ステップ１３０３～１３０６）。これによって、例えば、属性情報６００、健診情報５００、受診基本情報２００、傷病名情報３００、診療行為情報４００及び重症度判定結果情報８００が読み込まれる。

次に、リスクモデル構築部１１１は、ステップ１３０３～１３０６で読み込んだ情報と、ステップ１３０２で設定した条件とに基づいて、分析データセットを作成する（ステップ１３０７）。例えば、リスクモデル構築部１１１は、ステップ１３０３～１３０６で読み込んだ情報から、ステップ１３０２で設定した条件に適合する情報を抽出して、それを人物のＩＤに基づいて突き合わせることによって、目的変数の値（この例では重症度の判定結果）とそれに対応する説明変数の値とを含む分析データセットを作成する。

次に、リスクモデル構築部１１１は、ステップ１３０７で作成した分析データセットに基づいてモデル構築対象のデータを抽出し（ステップ１３０８）、リスクモデルを構築する（ステップ１３０９）。構築したモデルのパラメータは、リスクモデルパラメータ情報１０００として保持される。

以上で処理が終了する（ステップ１３１０）。

図１４は、本発明の実施例１のリスク値算出部１１３が実行する処理の一例を示すフローチャートである。

処理が開始されると（ステップ１４０１）、リスク値算出部１１３は、属性情報、健診情報及び受診歴情報を読み込む（ステップ１４０２～１４０４）。これによって、例えば、属性情報６００、健診情報５００、受診基本情報２００、傷病名情報３００及び診療行為情報４００が読み込まれる。

次に、リスク値算出部１１３は、読み込んだ情報に基づいて、評価用データセットを構築する（ステップ１４０５）。例えば、リスク値算出部１１３は、ステップ１４０２～１４０４で読み込んだ情報から、これからリスク値を評価して介入優先順位を決定しようとする対象の各人物の説明変数に相当するデータを抽出して、リスクモデルに入力するデータを構築する。

次に、リスク値算出部１１３は、構築した評価用データセットに基づいて、各人物の現在の重症度レベルを判定して、各人物に適用するリスクモデルを判定する（ステップ１４０６）。

次に、リスク値算出部１１３は、ステップ１４０５で構築した評価用データセットにステップ１４０６で判定したリスクモデルを適用することによって、対象の各人物の重症度ごとのリスク値（すなわち重症度レベルの発症確率）を算出する（ステップ１４０７）。

次に、リスク値算出部１１３は、ステップ１４０７で算出したリスク値を格納する（ステップ１４０８）。例えば、算出されたリスク値は、対象者抽出情報１１００のレベル３以上発症確率１１１３、レベル２以上発症確率１１２３及びレベル１以上発症確率１１３３のいずれかに格納される。

以上で処理が終了する（ステップ１４０９）。

図１５は、本発明の実施例１の対象者抽出部１１４が実行する処理の一例を示すフローチャートである。

処理が開始されると（ステップ１５０１）、対象者抽出部１１４は、抽出条件を設定する（ステップ１５０２）。例えば、対象となる人物の年齢の範囲等が設定されてもよいし、介入優先順位が上位の何人までを抽出するか、重症度レベルごとに何人ずつ抽出するか、重症度レベルが高い人物と低い人物のどちらを優先するか、といった条件が設定されてもよい。

次に、対象者抽出部１１４は、リスク評価結果を読み込む（ステップ１５０３）。例えば、リスク値算出部１１３が算出した各人物の各重症度レベルの発症確率が読み込まれる。

次に、対象者抽出部１１４は、ステップ１５０３で読み込んだリスク評価結果に、保健指導等の介入を行う優先順位を付加する（ステップ１５０４）。例えば、対象者抽出情報１１００のレベル３以上発症確率１１１３、レベル２以上発症確率１１２３及びレベル１以上発症確率１１３３のようなリスク評価結果が読み込まれた場合、介入優先順位１１１４、１１２４及び１１３４のような優先順位が付加される。

次に、対象者抽出部１１４は、ステップ１５０４で付加された優先順位を対象者抽出情報１１００として格納する（ステップ１５０５）。

以上で処理が終了する（ステップ１５０６）。これによって、例えばリスク値が高い人物に高い優先順位が付加され、優先的に保健指導が行われることとなる。

なお、対象者抽出部１１４は、上記のように新たに計算したリスク値だけでなく、過去に計算したリスク値と新たに計算したリスク値とからリスク値の変化の傾向を特定して、その結果を優先順位の決定に反映させてもよい。例えば、対象者抽出情報管理部１２５は、過去のリスク値の計算結果を管理し、過去のリスク値と新たに計算したリスク値とに基づいてリスク値の増加の傾向が所定の条件を超えた人物について、介入優先順位を上げてもよい。これによって、例えば現在のリスク値はそれほど高くなくても、増加傾向が著しい人物には高い優先順位が付加される。

次に、図１２から図１５に示した処理を実行するときにリスク分析支援システム１０１が提供するユーザインターフェースの一例を、図１６及び図１７を参照して説明する。

図１６は、本発明の実施例１の状態判定部１１２及びリスクモデル構築部１１１の処理に対応するユーザインターフェースの一例を示す説明図である。

図１６に示すリスクモデル構築画面１６００は、リスク分析支援システム１０１によって出力される表示データの一例であり、例えば、データ読込部１６０１、モデル構築条件設定部１６０２、モデル構築処理実行ボタン１６０３、分析データセット作成結果表示部１６０４及びモデル構築結果表示部１６０５を含む。

なお、この表示データは、出力部１０３によって画像として出力されてもよいし、通信部１０８によって出力されてもよい。後者の場合、表示データは通信部１０８からネットワーク（図示省略）を介して外部の装置（例えばユーザが使用する端末装置など、図示省略）に転送され、当該外部の装置によって画像として出力されてもよい。その場合、画面を介して入力される情報は、当該外部の装置の入力部（図示省略）を用いて入力され、ネットワーク及び通信部１０８を介してリスク分析支援システム１０１に入力される。後述する他の画面についても同様である。

データ読込部１６０１では、状態判定のために読み込まれるデータの条件が指定される。例えば、健康状態の判定条件（具体的には例えば重症度レベルの判定条件）の定義、対象の人物の属性情報、対象の健診結果及び対象の受診歴等を指定することができる。ここで指定された条件に基づいて、ステップ１２０２～１２０５の読み込みが行われる。

モデル構築条件設定部１６０２では、リスクモデル構築の条件が設定される。例えば、説明変数として使用されるデータの時期的範囲、目的変数として使用されるデータの時期的範囲、及び、対象となる人物の年齢の範囲を指定することができる。これらの条件の指定は、ステップ１３０２で行われ、指定された条件に適合するデータがステップ１３０３～１３０６で読み込まれる。

モデル構築処理実行ボタン１６０３が操作されると、データ読込部１６０１及びモデル構築条件設定部１６０２で指定された条件に従って状態判定部１１２及びリスクモデル構築部１１１の処理が実行される。

分析データセット作成結果表示部１６０４には、ステップ１３０７で作成された分析データセットが表示される。具体的には、例えば、人物ごとに、説明変数となる重症度レベル、性別及び年齢等の属性、健診結果等から得られるＢＭＩ及び問診結果等の情報、受診歴情報から得られる既往症の有無、及び、目的変数となる重症度レベル等が表示される。

モデル構築結果表示部１６０５には、リスクモデル構築部１１１によって構築されたモデルの情報が表示される。例えば、リスクモデルパラメータ情報１０００に相当する情報が表示されてもよい。

図１７は、本発明の実施例１のリスク値算出部１１３及び対象者抽出部１１４の処理に対応するユーザインターフェースの一例を示す説明図である。

図１７に示す対象者抽出画面１７００は、リスク分析支援システム１０１によって出力される表示データの一例であり、例えば、データ読込部１７０１、対象者抽出条件設定部１７０２、対象者抽出実行ボタン１７０３及び対象者抽出結果表示部１７０４を含む。

データ読込部１７０１は、図１６のデータ読込部１６０１と同様である。

対象者抽出条件設定部１７０２では、介入の対象者の抽出の条件が設定される。例えば、説明変数として使用されるデータの時期的範囲、及び、対象となる人物の年齢の範囲を指定することができる。

対象者抽出実行ボタン１７０３が操作されると、対象者抽出条件設定部１７０２で指定された条件に従ってリスク値算出部１１３及び対象者抽出部１１４の処理が実行される。

対象者抽出結果表示部１７０４には、リスク値算出部１１３及び対象者抽出部１１４の処理の結果が表示される。例えば、対象者抽出情報１１００に相当する情報が表示されてもよい。

以上の実施例１によれば、疾病の発症又は重症化といった健康状態の変化を予防するための健康指導の優先順位を適切に決定することができる。例えば、発症リスク又は重症化リスクが高い人物を適切に選択して優先的に保健指導を行うことで、限られたリソースを活用して医療費の増大の抑制を期待することができる。

次に、本発明の実施例２を説明する。以下に説明する相違点を除き、実施例２のシステムの各部は、図１～図１７に示された実施例１の同一の符号を付された各部と同一の機能を有するため、それらの説明は省略する。

図１８は、本発明の実施例２のリスク分析支援システム１０１の構成の一例を示すブロック図である。

実施例２のリスク分析支援システム１０１において、記憶媒体１０６は、さらにリスク値補正部１１５を有する。また、リスクモデル構築部１１１及び対象者抽出部１１４の処理に後述する相違がある。また、データベース１０７において、分析データ管理部１２３、リスクモデル情報管理部１２４及び対象者抽出情報管理部１２５が管理する情報に後述する相違がある。なお、リスク値補正部１１５の機能は、他の各部の機能と同様に、ＣＰＵ１０４が記憶媒体１０６に格納されたプログラムを実行することによって実現される。

また、実施例１では、特定の疾病を対象として、各人物の重症度レベルごとの発症リスクが計算され、それに基づいて介入優先度が計算された。これに対して、実施例２では、複数の疾病を対象として、各人物の各疾病の発症リスクが計算され、それに基づいて介入優先度が計算される。実施例１における特定の疾病の重症度レベルごとの発症リスク及び実施例２における疾病ごとの発症リスクは、いずれも、人物の健康状態の変化のリスクの一例である。以下の実施例２を特定の疾病の重症度レベルごとの発症リスクにも適用できることは言うまでもない。

図１９は、本発明の実施例２の分析データ管理部１２３が管理する対象疾病定義情報１９００の一例を示す説明図である。

対象疾病定義情報１９００は、各人物の受診歴情報及び健診情報等に基づいて各人物が疾病を発症しているか否かを判定するための定義情報であり、それぞれの定義を特定する定義ＩＤ１９０１、定義の対象の疾病を特定する対象疾病名称１９０２及び定義の内容を示すＩＣＤ１０定義１９０３を含む。ＩＣＤ１０定義１９０３には、ＩＣＤ１０（国際疾病分類第１０版）のコードが記載される。例えば、２型糖尿病、心血管疾患、脳血管疾患等を定義する情報を示すコードがＩＣＤ１０定義１９０３として記載される。実施例２では説明のために上記の３つの疾病を対象として説明するが、実際には対象疾病定義情報１９００はより多くの疾病の定義情報を含むことができ、後述する処理において多くの疾病の発症の有無を判定することができる。対象疾病定義情報１９００によって、受診歴情報及び健診情報等に基づいて各人物の各疾病の発症の有無を判定することが可能になる。

図２０は、本発明の実施例２の分析データ管理部１２３が管理する重症度判定結果情報２０００の一例を示す説明図である。

重症度判定結果情報２０００は、各人物の受診歴情報及び健診情報等と、対象疾病定義情報１９００とに基づいて各人物の各疾病の発症の有無を判定した結果を示す情報であり、個人ＩＤ２０１、対象年度２００２、２型糖尿病該当有無２００３、心血管疾患該当有無２００４及び脳血管疾患該当有無２００５を含む。

個人ＩＤ２０１は、人物を特定する情報である。対象年度２００２は、判定の対象の年度を示す。２型糖尿病該当有無２００３、心血管疾患該当有無２００４及び脳血管疾患該当有無２００５は、各人物の対象年度の受診履歴及び健診結果等の情報が、それぞれ、対象疾病定義情報１９００によって定義された２型糖尿病、心血管疾患及び脳血管疾患に該当するか否かを示す。図２０の例では、「１」が該当、「０」が非該当を示す。

図２１は、本発明の実施例２のリスクモデル情報管理部１２４が管理するモデル別識別閾値情報２１００の一例を示す説明図である。

モデル別識別閾値情報２１００は、リスクモデルを特定するモデルＩＤ２１０１、それぞれのモデルがどのようなモデルであるかを示すモデル名２１０２、モデルの構造とパラメータを示すモデルパラメータ２１０３、及び、リスクモデルによって算出されたリスク値に基づいて、各疾病の発症の有無を判定するための識別閾値２１０４を含む。

例えば、リスクモデル構築部１１１が、受診基本情報２００、傷病名情報３００、診療行為情報４００、健診情報５００、属性情報６００、対象疾病定義情報１９００及び重症度判定結果情報２０００に基づいて、各人物の受診履歴、健診結果及び属性の少なくともいずれかの項目の値から各人物の健康状態の変化（実施例２では各疾病の発症）のリスク値を計算するための１以上のモデルを生成する。生成されたリスクモデルの種類、構造及びパラメータ等がモデル別識別閾値情報２１００に格納される。

図２１の例では、モデルＩＤ「１」のリスクモデルとして、２型糖尿病の発症リスクを計算するためのモデルが保持される。この例では、年齢、性別、空腹時血糖及びＨｂＡ１ｃ等を説明変数、２型糖尿病の発症確率を目的変数とするモデルのパラメータが登録され、さらに、識別閾値として０．１９が登録されている。これは、当該モデルによって計算された発症確率が０．１９を超える場合に２型糖尿病の発症有りと判定されることを示す。

同様に、モデルＩＤ「２」のリスクモデルとして、心血管疾患の発症リスクを計算するためのモデルが保持される。この例では、年齢、性別、収縮期血圧及び拡張期血圧等を説明変数、心血管疾患の発症確率を目的変数とするモデルのパラメータが登録され、さらに、識別閾値として０．２０が登録されている。さらに、モデルＩＤ「３」のリスクモデルとして、脳血管疾患の発症リスクを計算するためのモデルが保持される。この例では、年齢、性別、収縮期血圧及び中性脂肪等を説明変数、脳血管疾患の発症確率を目的変数とするモデルのパラメータが登録され、さらに、識別閾値として０．０２が登録されている。

識別閾値２１０４の値の設定方法は限定されないが、識別性能が最も高くなるように設定することが望ましい。一例を挙げると、ＲＯＣ（Receiver Operating Characteristic）曲線において感度＋特異度－１が最大となる点を閾値として設定してもよい。モデル別識別閾値情報２１００によって、各人物の疾病ごとの発症リスクを計算することが可能になる。

図２２は、本発明の実施例２のリスクモデル情報管理部１２４が管理するリスク補正結果情報２２００の一例を示す説明図である。

リスク補正結果情報２２００は、リスクモデルに基づいて各人物の各疾病の発症リスクを計算した結果と、それを識別閾値に基づいて補正した結果とを示す情報である。具体的には、リスク補正結果情報２２００は、個人ＩＤ２０１、２型糖尿病発症リスク値２２０２、心血管疾患発症リスク値２２０３、脳血管疾患発症リスク値２２０４、２型糖尿病発症補正リスク値２２０５、心血管疾患発症補正リスク値２２０６、脳血管疾患発症補正リスク値２２０７及び最も発症リスクの高い疾病２２０８を含む。

個人ＩＤ２０１は、人物を特定する情報である。２型糖尿病発症リスク値２２０２、心血管疾患発症リスク値２２０３及び脳血管疾患発症リスク値２２０４は、それぞれ、対応するリスクモデルに基づいて計算された各人物が２型糖尿病を発症するリスクを示す値（例えば発症確率）、心血管疾患を発症するリスクを示す値（例えば発症確率）、及び、脳血管疾患を発症するリスクを示す値（例えば発症確率）である。

２型糖尿病発症補正リスク値２２０５、心血管疾患発症補正リスク値２２０６及び脳血管疾患発症補正リスク値２２０７は、それぞれ、２型糖尿病発症リスク値２２０２、心血管疾患発症リスク値２２０３及び脳血管疾患発症リスク値２２０４を、対応する識別閾値に基づいて補正した値である。最も発症リスクの高い疾病２２０８は、補正後のリスク値に基づいて最も発症リスクが高いと判定される疾病を示す。

例えば、図２２に示すリスク補正結果情報２２００の１行目は、個人ＩＤ「Ｐ００１」の人物についてリスクモデルを用いて計算された２型糖尿病の発症リスク値が「０．２５」であり、それに対応する識別閾値「０．１９」に基づいて補正したリスク値が「０．０６」であることを示している。この例では、リスクモデルを用いて計算された発症リスク値から識別閾値を減算することで補正が行われる。

同様に、１行目は、個人ＩＤ「Ｐ００１」の人物の心血管疾患の発症リスク値「０．２４」が識別閾値「０．２０」に基づいて「０．０４」に補正され、脳血管疾患の発症リスク値「０．２３」が識別閾値「０．０２」に基づいて「０．２１」に補正されることを示している。その結果、個人ＩＤ「Ｐ００１」の人物について最も発症リスクが高い疾病は、補正後のリスク値に基づいて、脳血管疾患と判定される。

一般に、発生頻度が低い疾病では、そうでない疾病と比較して、リスクモデルの出力である発症確率が低くなることから、単に発症確率を疾病間で比較することでリスクを評価することは難しい。これに対して、発症確率が低ければ、発症するか否かを判定するための識別閾値も低くなることから、識別閾値を使用して発症確率を補正した値をリスク値として使用することで、疾病間の発症リスクを比較することが可能になる。

例えば、上記の例において、個人ＩＤ「Ｐ００１」の人物の２型糖尿病及び心血管疾患の発症リスク値はいずれも識別閾値よりやや高い程度であるが、脳血管疾患の発症リスク値は識別閾値より大幅に高い。このことから、当該人物については、これらの３つの疾病のうち、脳血管疾患の発症リスクが最も高い（すなわち、脳血管疾患の発症を防ぐための保健指導等の介入を行う必要性が高い）といえる。しかし、単にリスクモデルの出力である発症確率を比較した場合には、２型糖尿病の発症リスクが最も高いと判定され、２型糖尿病の発症を防ぐための保健指導等が行われることとなる。

これに対して、本実施例では、上記のように識別閾値を使用して発症確率を補正した値をリスク値として使用することで、脳血管疾患の発症リスクが最も高いと判定することが可能になる。

上記の例では、リスクモデルを用いて計算された発症リスク値から識別閾値を減算することで補正が行われるが、これは補正方法の一例であり、識別閾値が相対的に高い疾病の発症リスク値を低くする方向に補正する、及び、識別閾値が相対的に低い疾病の発症リスク値を高くする方向に補正する、の少なくともいずれかの補正が行われてもよい。

図２３は、本発明の実施例２の対象者抽出情報管理部１２５が管理する対象者抽出情報２３００の一例を示す説明図である。

対象者抽出情報２３００は、リスクモデルパラメータ情報１０００に基づいて計算された各人物の発症リスクと、それを識別閾値に基づいて補正した発症リスクと、補正後の発症リスクに基づいて計算された介入優先順位とを管理する情報である。図２３には、一例として、テーブル２３１０、２３２０及び２３３０からなる対象者抽出情報２３００を示す。

テーブル２３１０には、２型糖尿病の発症リスクと、それを識別閾値に基づいて補正した発症リスクと、補正後の発症リスクに基づいて計算された、保健指導等の介入を行う優先順位とが保持される。具体的には、個人ＩＤ２３１１は、各人物を特定する情報である。対象疾病２３１２は、発症リスク及びそれに基づく介入優先順位の算出の対象となる疾病（この例では２型糖尿病）を示す。発症リスク２３１３は、例えば、モデル別識別閾値情報２０１１のモデルＩＤ「１」のリスクモデルを用いて計算された各人物の２型糖尿病の発症確率を示す。補正発症リスク２３１４は、各人物の２型糖尿病の発症確率を、当該モデルの識別閾値２１０４の値「０．１９」を用いて補正した発症リスクを示す。介入優先順位２３１５は、各人物への保健指導等の介入の優先順位を示す。この例では、補正後の発症リスクが高い人物に高い介入優先順位が付与されている。

テーブル２３２０には、心血管疾患の発症リスクと、それを識別閾値に基づいて補正した発症リスクと、補正後の発症リスクに基づいて計算された、保健指導等の介入を行う優先順位とが保持される。具体的には、個人ＩＤ２３２１は、各人物を特定する情報である。対象疾病２３２２は、発症リスク及びそれに基づく介入優先順位の算出の対象となる疾病（この例では心血管疾患）を示す。発症リスク２３２３は、例えば、モデル別識別閾値情報２０１１のモデルＩＤ「２」のリスクモデルを用いて計算された各人物の心血管疾患の発症確率を示す。補正発症リスク２３２４は、各人物の心血管疾患の発症確率を、当該モデルの識別閾値２１０４の値「０．２０」を用いて補正した発症リスクを示す。介入優先順位２３２５は、各人物への保健指導等の介入の優先順位を示す。この例では、補正後の発症リスクが高い人物に高い介入優先順位が付与されている。

テーブル２３３０には、脳血管疾患の発症リスクと、それを識別閾値に基づいて補正した発症リスクと、補正後の発症リスクに基づいて計算された、保健指導等の介入を行う優先順位とが保持される。具体的には、個人ＩＤ２３３１は、各人物を特定する情報である。対象疾病２３３２は、発症リスク及びそれに基づく介入優先順位の算出の対象となる疾病（この例では脳血管疾患）を示す。発症リスク２３３３は、例えば、モデル別識別閾値情報２０１１のモデルＩＤ「３」のリスクモデルを用いて計算された各人物の脳血管疾患の発症確率を示す。補正発症リスク２３３４は、各人物の脳血管疾患の発症確率を、当該モデルの識別閾値２１０４の値「０．０２」を用いて補正した発症リスクを示す。介入優先順位２３３５は、各人物への保健指導等の介入の優先順位を示す。この例では、補正後の発症リスクが高い人物に高い介入優先順位が付与されている。

なお、テーブル２３１０には、補正後の発症リスクに基づいて、２型糖尿病の発症リスクが最も高いと判定された人物に関する情報のみが含まれてもよい。同様に、テーブル２３２０には、補正後の発症リスクに基づいて、心血管疾患の発症リスクが最も高いと判定された人物に関する情報のみが含まれてもよく、テーブル２３３０には、補正後の発症リスクに基づいて、脳血管疾患の発症リスクが最も高いと判定された人物に関する情報のみが含まれてもよい。

次に、実施例２のリスク分析支援システム１０１が実行する処理についてフローチャートを参照して説明する。実施例２の状態判定部１１２が実行する処理は、実施例１と同様である（図１２参照）。ただし、状態判定部１１２は、ステップ１２０５において対象疾病定義情報１９００を読み込み、ステップ１２０６において、各疾病の該当有無を判定し、その結果を重症度判定結果情報２０００として保持する。

図２４は、本発明の実施例２のリスクモデル構築部１１１が実行する処理の一例を示すフローチャートである。

処理が開始されると（ステップ２４０１）、リスクモデル構築部１１１は、リスクモデル構築の条件を設定し（ステップ２４０２）、属性情報、健診情報及び受診歴情報を読み込む（ステップ２４０３～２４０５）。これらは、実施例１のステップ１３０２～１３０５（図１３）と同様である。

次に、リスクモデル構築部１１１は、重症度判定結果情報２０００を読み込む（ステップ２４０６）。

次に、リスクモデル構築部１１１は、ステップ２４０３～２４０６で読み込んだ情報と、ステップ２４０２で設定した条件とに基づいて、分析データセットを作成する（ステップ２４０７）。例えば、リスクモデル構築部１１１は、ステップ２４０３～２４０６で読み込んだ情報から、ステップ２４０２で設定した条件に適合する情報を抽出して、それを人物のＩＤに基づいて突き合わせることによって、目的変数の値（この例では、それぞれの疾病の該当有無）とそれに対応する説明変数の値とを含む分析データセットを作成する。

次に、リスクモデル構築部１１１は、ステップ２４０７で作成した分析データセットに基づいてモデル構築対象のデータを抽出し（ステップ２４０８）、リスクモデルを構築する（ステップ２４０９）。構築したモデルのパラメータは、モデル別識別閾値情報２１００のモデルパラメータ２１０３として保持される。

次に、リスクモデル構築部１１１は、識別閾値を算出する（ステップ２４１０）。前述のように、この閾値を算出する方法は限定されないが、識別性能が最も高くなるように設定することが望ましい。算出した識別閾値は、モデル別識別閾値情報２１００の識別閾値２１０４として保持される。

以上で処理が終了する（ステップ２４１１）。

実施例２のリスク値算出部１１３は、上記の図２４の処理によって構築されたリスクモデルを使用して、リスク値を算出する。その手順は実施例１と同様であるため、説明を省略する（図１４参照）。算出されたリスク値は、例えば、リスク補正結果情報２２００の２型糖尿病発症リスク値２２０２～脳血管疾患発症リスク値２２０４として保持される。

図２５は、本発明の実施例２の対象者抽出部１１４及びリスク値補正部１１５が実行する処理の一例を示すフローチャートである。

処理が開始されると（ステップ２５０１）、対象者抽出部１１４は、抽出条件を設定する（ステップ２５０２）。この処理は、実施例１のステップ１５０２（図１５）と同様である。

次に、対象者抽出部１１４は、リスク評価結果を読み込む（ステップ２５０３）。ここで、リスク値算出部１１３が算出した各人物の各疾病の発症リスク（例えば、リスク補正結果情報２２００の２型糖尿病発症リスク値２２０２～脳血管疾患発症リスク値２２０４）が読み込まれる。

次に、リスク値補正部１１５が、ステップ２５０３で読み込まれたリスク値を補正する（ステップ２５０４）。この補正は、例えば、図２２を参照して説明した方法で行われる。補正後のリスク値は、例えば、リスク補正結果情報２２００の２型糖尿病発症補正リスク値２２０５～脳血管疾患発症補正リスク値２２０７として保持される。

次に、対象者抽出部１１４は、ステップ２５０４で補正されたリスク値に基づいて、保健指導等の介入を行う優先順位を付加する（ステップ２５０５）。例えば、対象者抽出情報２３００の補正発症リスク２３１４、２３２４及び２３３４のような補正後のリスク値が読み込まれた場合、介入優先順位２３１５、２３２５及び２３３５のような優先順位が付加される。このとき、対象者抽出部１１４は、補正後の発症リスクに基づいて、２型糖尿病の発症リスクが最も高いと判定された人物に関する情報のみがテーブル２３１０に含まれ、心血管疾患の発症リスクが最も高いと判定された人物に関する情報のみがテーブル２３２０に含まれ、脳血管疾患の発症リスクが最も高いと判定された人物に関する情報のみがテーブル２３３０に含まれるように、優先順位を付加する対象の人物を選択してもよい。

次に、対象者抽出部１１４は、ステップ２３０５で付加された優先順位を対象者抽出情報２３００として格納する（ステップ２５０６）。

以上で処理が終了する（ステップ２５０７）。

次に、実施例２のリスク分析支援システム１０１が提供するユーザインターフェースの一例を、図２６及び図２７を参照して説明する。

図２６は、本発明の実施例２の状態判定部１１２及びリスクモデル構築部１１１の処理に対応するユーザインターフェースの一例を示す説明図である。

図２６に示すリスクモデル構築画面２６００は、リスク分析支援システム１０１によって出力される表示データの一例であり、例えば、データ読込部２６０１、モデル構築条件設定部２６０２、モデル構築処理実行ボタン２６０３、分析データセット作成結果表示部２６０４及びモデル構築結果表示部２６０５を含む。これらは、以下の相違点を除き、実施例１のリスクモデル構築画面１６００のデータ読込部１６０１、モデル構築条件設定部１６０２、モデル構築処理実行ボタン１６０３、分析データセット作成結果表示部１６０４及びモデル構築結果表示部１６０５と同様である。以下、相違点を説明する。

分析データセット作成結果表示部２６０４には、ステップ２４０７で作成された分析データセットが表示される。具体的には、例えば、人物ごとに、説明変数となる性別及び年齢等の属性、健診結果等から得られるＢＭＩ及び問診結果等の情報、受診歴情報から得られる既往症の有無、及び、目的変数となる発症疾病等が表示される。

モデル構築結果表示部２６０５には、リスクモデル構築部１１１によって構築されたモデルの情報が表示される。例えば、モデル別識別閾値情報２１００に含まれる情報のうち、モデルＩＤ２１０１、モデル名２１０２及びモデルパラメータ２１０３に相当する情報が表示されてもよい。

図２７は、本発明の実施例２のリスク値算出部１１３、対象者抽出部１１４及びリスク値補正部１１５の処理に対応するユーザインターフェースの一例を示す説明図である。

図２７に示す対象者抽出画面１７００は、リスク分析支援システム１０１によって出力される表示データの一例であり、例えば、データ読込部２７０１、対象者抽出条件設定部２７０２、対象者抽出実行ボタン２７０３及び対象者抽出結果表示部２７０４を含む。これらは、以下の相違点を除き、実施例１の対象者抽出画面１７００のデータ読込部１７０１、対象者抽出条件設定部１７０２、対象者抽出実行ボタン１７０３及び対象者抽出結果表示部１７０４と同様である。以下、相違点を説明する。

対象者抽出結果表示部２７０４には、リスク値算出部１１３、対象者抽出部１１４及びリスク値補正部１１５の処理の結果が表示される。例えば、対象者抽出情報２３００に相当する情報が表示されてもよい。

以上の実施例２によれば、疾病の発症又は重症化といった健康状態の変化を予防するための健康指導の優先順位を適切に決定することができる。特に、健康状態の変化の態様によってその発生頻度が異なる場合にも、適切に健康状態の変化のリスクを比較して優先順位を決定することができ、発生頻度が低い疾病等のリスクを見落とすことが防止される。

また、本発明の実施形態のシステムは次のように構成されてもよい。

（１）リスク分析支援システムであって、プロセッサ（例えばＣＰＵ１０４）と、プロセッサに接続される記憶装置（例えばメモリ１０５、記憶媒体１０６、及び、データベース１０７を格納する他の記憶媒体の少なくともいずれか）と、を有し、記憶装置は、複数の人物の健康に関する健康情報（例えば受診歴情報管理部１２０及び健診情報管理部１２１によって管理される情報）と、複数の人物の属性情報（例えば属性情報管理部１２２によって管理される情報）と、複数の健康状態の定義情報（例えば重症度定義情報７００及び対象疾病定義情報１９００の少なくともいずれか）と、を保持し、プロセッサは、健康情報、属性情報及び複数の健康状態の定義情報に基づいて、健康状態が変化するリスクを計算するためのリスクモデルを構築し（例えばステップ１３０９又はステップ２４０９）、健康情報、属性情報及びリスクモデルに基づいて、複数の人物の健康状態が変化するリスクを示すリスク値を計算し（例えばステップ１４０７）、リスク値に基づいて、複数の人物に対する保健指導の優先順位を計算する（例えばステップ１５０４又はステップ２５０５）。

これによって、疾病の発症又は重症化といった健康状態の変化を予防するための健康指導の優先順位を適切に決定することができる。

（２）上記（１）において、複数の健康状態の定義情報は、特定の疾病の複数の重症度レベルを定義する情報（例えば重症度定義情報７００）を含み、リスクモデルは、健康状態が各重症度レベルからそれより高い重症度レベルに変化するリスクを計算するためのモデル（例えばリスクモデルパラメータ情報１０００）を含み、プロセッサは、健康情報及び複数の健康状態の定義情報に基づいて、複数の人物の現在の重症度レベルを計算し（例えばステップ１２０６及びステップ１２０７）、健康情報、属性情報及びリスクモデルに基づいて、複数の人物の健康状態が現在の重症度レベルからそれより高い重症度レベルに変化するリスクを、リスク値として計算し（例えばステップ１４０７）、複数の人物の現在の重症度レベルごとに、健康状態が現在の重症度レベルからそれより高い重症度レベルに変化するリスクが高いほど順位が高くなるように、複数の人物に対する保健指導の優先順位を計算する（例えばステップ１５０４）。

（３）上記（１）において、複数の健康状態の定義情報は、複数の疾病の発症を定義する情報（例えば対象疾病定義情報１９００）を含み、リスクモデルは、複数の疾病の各々を発症するリスクを計算するためのモデル（例えばモデル別識別閾値情報２１００に含まれるリスクモデル）を含み、プロセッサは、健康情報、属性情報及びリスクモデルに基づいて、複数の人物が複数の疾病の各々を発症するリスクを、リスク値として計算し（例えばステップ１４０７）、疾病ごとに、疾病を発症するリスクが高いほど順位が高くなるように、複数の人物に対する保健指導の優先順位を計算する（例えばステップ２５０５）。

（４）上記（１）において、記憶装置は、複数の人物に対して過去に行われた保健指導の履歴情報（例えば指導履歴情報９００）を保持し、プロセッサは、履歴情報に基づいて保健指導が不要であると判定された人物を保健指導の優先順位の計算から除外する。

（５）上記（４）において、プロセッサは、履歴情報に基づいて、過去に所定回数以上実施されたものと同一の保健指導を不要であると判定する。

（６）上記（４）において、履歴情報は、複数の人物の各々に対する医療機関による治療が開始されたかを示す情報を含み、プロセッサは、履歴情報に基づいて、医療機関による治療が開始された人物に対する保健指導を不要であると判定する。

（７）上記（１）において、記憶装置は、複数の人物について過去に計算されたリスク値を保持し、プロセッサは、過去に計算されたリスク値と新たに判定されたリスク値とから特定されるリスク値の変化の傾向に基づいて、複数の人物に対する保健指導の優先順位を計算する。

（８）上記（１）において、健康情報は、複数の人物の医療機関の受診履歴を示す情報（例えば受診歴情報管理部１２０によって管理される情報）、及び、複数の人物が受けた健康診断の結果を示す情報（例えば健診情報管理部１２１によって管理される情報）の少なくとも一方を含む。

（９）上記（１）において、リスクモデルは、健康状態ごとに、当該健康状態への変化が発生するリスクを計算するためのリスクモデル（例えばモデル別識別閾値情報２１００に含まれるリスクモデル）を含み、記憶装置は、健康状態ごとに、当該健康状態への変化が発生するリスクに基づいて当該健康状態への変化が発生するか否かを判定する閾値（例えばモデル別識別閾値情報２１００に含まれる識別閾値２１０４）を保持し、プロセッサは、健康状態ごとに、当該健康状態への変化が発生するリスクを示すリスク値を計算し（例えばステップ１４０７）、健康状態ごとに、閾値に基づいて、リスク値を補正し（例えばステップ２５０４）、補正後のリスク値に基づいて、複数の人物に対する保健指導の優先順位を計算する（例えばステップ２５０５）。

（１０）上記（９）において、プロセッサは、閾値が高い健康状態の前記リスク値を低くすること、及び、閾値が低い健康状態のリスク値を高くすること、の少なくとも一方によって、リスク値を補正する。

（１１）上記（９）において、複数の健康状態の定義情報は、複数の疾病の発症を定義する情報（例えば対象疾病定義情報１９００）を含み、リスクモデルは、複数の疾病の各々を発症するリスクを計算するためのモデル（例えばモデル別識別閾値情報２１００に含まれるリスクモデル）を含み、閾値は、複数の疾病の各々を発症するか否かを判定するための閾値であり、プロセッサは、健康情報、属性情報及びリスクモデルに基づいて、複数の人物が複数の疾病の各々を発症するリスクを、リスク値として計算し（例えばステップ１４０７）、複数の人物の各々について、補正後のリスク値が最も高い疾病を、発症リスクが最も高い疾病として特定し、疾病ごとに、疾病の発症リスクが最も高い人物の中で、補正後のリスク値が高いほど順位が高くなるように、複数の人物に対する保健指導の優先順位を計算する（例えばステップ２５０５）。

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明のより良い理解のために詳細に説明したのであり、必ずしも説明の全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることが可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

また、上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によってハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによってソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、不揮発性半導体メモリ、ハードディスクドライブ、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶デバイス、または、ＩＣカード、ＳＤカード、ＤＶＤ等の計算機読み取り可能な非一時的データ記憶媒体に格納することができる。

また、制御線及び情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線及び情報線を示しているとは限らない。実際にはほとんど全ての構成が相互に接続されていると考えてもよい。

１０１ リスク分析支援システム
１０２ 入力部
１０３ 出力部
１０４ ＣＰＵ
１０５ メモリ
１０６ 記憶媒体
１０７ データベース
１０８ 通信部
１１１ リスクモデル構築部
１１２ 状態判定部
１１３ リスク値算出部
１１４ 対象者抽出部
１１５ リスク値補正部
１２０ 受診歴情報管理部
１２１ 健診情報管理部
１２２ 属性情報管理部
１２３ 分析データ管理部
１２４ リスクモデル情報管理部
１２５ 対象者抽出情報管理部

Claims (11)

1. リスク分析支援システムであって、
   プロセッサと、前記プロセッサに接続される記憶装置と、を有し、
   前記記憶装置は、複数の人物の健康に関する健康情報と、前記複数の人物の属性情報と、複数の健康状態の定義情報と、を保持し、
   前記プロセッサは、
   前記健康情報、前記属性情報及び前記複数の健康状態の定義情報に基づいて、前記健康状態が変化するリスクを計算するためのリスクモデルを構築し、
   前記健康情報、前記属性情報及び前記リスクモデルに基づいて、前記複数の人物の前記健康状態が変化するリスクを示すリスク値を計算し、
   前記リスク値に基づいて、前記複数の人物に対する保健指導の優先順位を計算し、
   前記リスクモデルは、前記健康状態ごとに、当該健康状態への変化が発生するリスクを計算するためのリスクモデルを含み、
   前記記憶装置は、前記健康状態ごとに、当該健康状態への変化が発生するリスクに基づいて当該健康状態への変化が発生するか否かを判定する閾値を保持し、
   前記プロセッサは、
   前記健康状態ごとに、当該健康状態への変化が発生するリスクを示すリスク値を計算し、
   前記健康状態ごとに、前記閾値に基づいて、前記リスク値を補正し、
   補正後の前記リスク値に基づいて、前記複数の人物に対する保健指導の優先順位を計算することを特徴とするリスク分析支援システム。
2. 請求項１に記載のリスク分析支援システムであって、
   前記複数の健康状態の定義情報は、特定の疾病の複数の重症度レベルを定義する情報を含み、
   前記リスクモデルは、前記健康状態が各重症度レベルからそれより高い重症度レベルに変化するリスクを計算するためのモデルを含み、
   前記プロセッサは、
   前記健康情報及び前記複数の健康状態の定義情報に基づいて、前記複数の人物の現在の重症度レベルを計算し、
   前記健康情報、前記属性情報及び前記リスクモデルに基づいて、前記複数の人物の前記健康状態が現在の重症度レベルからそれより高い重症度レベルに変化するリスクを、前記リスク値として計算し、
   前記複数の人物の現在の重症度レベルごとに、前記健康状態が現在の重症度レベルからそれより高い重症度レベルに変化するリスクが高いほど順位が高くなるように、前記複数の人物に対する保健指導の優先順位を計算することを特徴とするリスク分析支援システム。
3. 請求項１に記載のリスク分析支援システムであって、
   前記複数の健康状態の定義情報は、複数の疾病の発症を定義する情報を含み、
   前記リスクモデルは、前記複数の疾病の各々を発症するリスクを計算するためのモデルを含み、
   前記プロセッサは、
   前記健康情報、前記属性情報及び前記リスクモデルに基づいて、前記複数の人物が前記複数の疾病の各々を発症するリスクを、前記リスク値として計算し、
   前記疾病ごとに、前記疾病を発症するリスクが高いほど順位が高くなるように、前記複数の人物に対する保健指導の優先順位を計算することを特徴とするリスク分析支援システム。
4. 請求項１に記載のリスク分析支援システムであって、
   前記記憶装置は、前記複数の人物に対して過去に行われた保健指導の履歴情報を保持し、
   前記プロセッサは、前記履歴情報に基づいて前記保健指導が不要であると判定された前記人物を前記保健指導の優先順位の計算から除外することを特徴とするリスク分析支援システム。
5. 請求項４に記載のリスク分析支援システムであって、
   前記プロセッサは、前記履歴情報に基づいて、過去に所定回数以上実施されたものと同一の前記保健指導を不要であると判定することを特徴とするリスク分析支援システム。
6. 請求項４に記載のリスク分析支援システムであって、
   前記履歴情報は、前記複数の人物の各々に対する医療機関による治療が開始されたかを示す情報を含み、
   前記プロセッサは、前記履歴情報に基づいて、医療機関による治療が開始された人物に対する前記保健指導を不要であると判定することを特徴とするリスク分析支援システム。
7. 請求項１に記載のリスク分析支援システムであって、
   前記記憶装置は、前記複数の人物について過去に計算された前記リスク値を保持し、
   前記プロセッサは、過去に計算された前記リスク値と新たに計算された前記リスク値とから特定される前記リスク値の変化の傾向に基づいて、前記複数の人物に対する保健指導の優先順位を計算することを特徴とするリスク分析支援システム。
8. 請求項１に記載のリスク分析支援システムであって、
   前記健康情報は、前記複数の人物の医療機関の受診履歴を示す情報、及び、前記複数の人物が受けた健康診断の結果を示す情報の少なくとも一方を含むことを特徴とするリスク分析支援システム。
9. 請求項１に記載のリスク分析支援システムであって、
   前記プロセッサは、前記閾値が高い前記健康状態の前記リスク値を低くすること、及び、前記閾値が低い前記健康状態の前記リスク値を高くすること、の少なくとも一方によって、前記リスク値を補正することを特徴とするリスク分析支援システム。
10. 請求項１に記載のリスク分析支援システムであって、
    前記複数の健康状態の定義情報は、複数の疾病の発症を定義する情報を含み、
    前記リスクモデルは、前記複数の疾病の各々を発症するリスクを計算するためのモデルを含み、
    前記閾値は、前記複数の疾病の各々を発症するか否かを判定するための閾値であり、
    前記プロセッサは、
    前記健康情報、前記属性情報及び前記リスクモデルに基づいて、前記複数の人物が前記複数の疾病の各々を発症するリスクを、前記リスク値として計算し、
    前記複数の人物の各々について、前記補正後のリスク値が最も高い疾病を、発症リスクが最も高い疾病として特定し、
    前記疾病ごとに、前記疾病の発症リスクが最も高い人物の中で、前記補正後のリスク値が高いほど順位が高くなるように、前記複数の人物に対する保健指導の優先順位を計算することを特徴とするリスク分析支援システム。
11. 計算機システムが実行するリスク分析支援方法であって、
    前記計算機システムは、プロセッサと、前記プロセッサに接続される記憶装置と、を有し、
    前記記憶装置は、複数の人物の健康に関する健康情報と、前記複数の人物の属性情報と、複数の健康状態の定義情報と、を保持し、
    前記リスク分析支援方法は、
    前記プロセッサが、前記健康情報、前記属性情報及び前記複数の健康状態の定義情報に基づいて、前記健康状態が変化するリスクを計算するためのリスクモデルを構築する第１手順と、
    前記健康情報、前記属性情報及び前記リスクモデルに基づいて、前記複数の人物の前記健康状態が変化するリスクを示すリスク値を計算する第２手順と、
    前記リスク値に基づいて、前記複数の人物に対する保健指導の優先順位を計算する第３手順と、を含み、
    前記リスクモデルは、前記健康状態ごとに、当該健康状態への変化が発生するリスクを計算するためのリスクモデルを含み、
    前記記憶装置は、前記健康状態ごとに、当該健康状態への変化が発生するリスクに基づいて当該健康状態への変化が発生するか否かを判定する閾値を保持し、
    前記第２手順は、前記プロセッサが、前記健康状態ごとに、当該健康状態への変化が発生するリスクを示すリスク値を計算する手順を含み、
    前記リスク分析支援方法は、前記プロセッサが、前記健康状態ごとに、前記閾値に基づいて、前記リスク値を補正する手順をさらに含み、
    前記第３手順は、前記プロセッサが、補正後の前記リスク値に基づいて、前記複数の人物に対する保健指導の優先順位を計算する手順を含むことを特徴とするリスク分析支援方法。