特許 7605696 疾病リスク予測システム、および疾病リスク予測方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-12-16

(45)【発行日】2024-12-24

(54)【発明の名称】疾病リスク予測システム、および疾病リスク予測方法

(51)【国際特許分類】

   G16H 50/30 20180101AFI20241217BHJP

   G16H 10/60 20180101ALI20241217BHJP

【ＦＩ】

G16H50/30

G16H10/60

【請求項の数】 10

(21)【出願番号】P 2021089818

(22)【出願日】2021-05-28

(65)【公開番号】P2022182316

(43)【公開日】2022-12-08

【審査請求日】2023-12-06

(73)【特許権者】

【識別番号】000005108

【氏名又は名称】株式会社日立製作所

(74)【代理人】

【識別番号】110000176

【氏名又は名称】弁理士法人一色国際特許事務所

(72)【発明者】

【氏名】奥村 奏音

(72)【発明者】

【氏名】田浦 善弘

(72)【発明者】

【氏名】松本 祐介

【審査官】鹿野 博嗣

(56)【参考文献】

【文献】韓国公開特許第１０－２０１３－００１５３０１（ＫＲ，Ａ）

【文献】国際公開第２０１８／２２１０２７（ＷＯ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ１６Ｈ １０／００－８０／００

Ｇ０６Ｑ １０／００－９９／００

(57)【特許請求の範囲】

【請求項1】

プロセッサおよび記憶素子を有する情報処理装置を用いて構成され、
複数の者について行われた歯科健診または歯科問診の結果に関する情報を含む歯科健診データと、
前記複数の者について行われた診療の結果に関する情報を含む医科レセプトデータと、
を取得し、
前記歯科健診データおよび前記医科レセプトデータに基づき、前記歯科健診データの内容を説明変数とし前記医科レセプトデータから把握される特定の疾病に関する情報を目的変数とするモデルである、リスク予測モデルを生成し、
前記特定の疾病についてのリスクを予測しようとする対象者について行われた前記歯科健診データの内容を説明変数として前記リスク予測モデルに適用することにより前記目的変数を取得し、
取得した前記目的変数に基づく情報を出力する、
前記リスク予測モデルは、重回帰分析によって生成される統計モデルであり、
前記リスク予測モデルに用いる前記説明変数を、前記重回帰分析によって取得されるｔ値または信頼区間に基づき選択する、
疾病リスク予測システム。

【請求項2】

請求項１に記載の疾病リスク予測システムであって、
前記目的変数は、前記特定の疾病に将来罹患するリスクを示す情報、または、前記特定の疾病が重症化するリスクを示す情報である、
疾病リスク予測システム。

【請求項3】

請求項１に記載の疾病リスク予測システムであって、
前記説明変数は、前記歯科健診データにおける歯科健診または歯科問診の結果を数値化した値を含む、
疾病リスク予測システム。

【請求項4】

請求項１に記載の疾病リスク予測システムであって、
前記医科レセプトデータから把握される前記特定の疾病に関する情報は、前記特定の疾病について行われた診療の点数を示す情報を含む、
疾病リスク予測システム。

【請求項5】

請求項１に記載の疾病リスク予測システムであって、
前記特定の疾病のリスクを予測しようとする対象者についての前記説明変数の値を受け付ける設定欄と、前記設定欄に設定された値を前記リスク予測モデルに適用して得られた前記目的変数に基づく情報を提示する提示欄とを有する画面を提示する、
疾病リスク予測システム。

【請求項6】

プロセッサおよび記憶素子を有する情報処理装置が、
複数の者について行われた歯科健診または歯科問診の結果に関する情報を含む歯科健診データと、
前記複数の者について行われた診療の結果に関する情報を含む医科レセプトデータと、
を取得するステップと、
前記歯科健診データおよび前記医科レセプトデータに基づき、前記歯科健診データの内容を説明変数とし前記医科レセプトデータから把握される特定の疾病に関する情報を目的変数とするモデルである、リスク予測モデルを生成するステップと、
前記特定の疾病についてのリスクを予測しようとする対象者について行われた前記歯科健診データの内容を説明変数として前記リスク予測モデルに適用することにより前記目的変数を取得するステップと、
取得した前記目的変数に基づく情報を出力するステップと、
重回帰分析によって生成される統計モデルであるリスク予測モデルに用いる前記説明変数を、前記重回帰分析によって取得されるｔ値または信頼区間に基づき選択するステップ、
を更に実行する、疾病リスク予測方法。

【請求項7】

請求項６に記載の疾病リスク予測方法であって、
前記目的変数は、前記特定の疾病に将来罹患するリスクを示す情報、または、前記特定の疾病が重症化するリスクを示す情報である、
疾病リスク予測方法。

【請求項8】

請求項６に記載の疾病リスク予測方法であって、
前記説明変数は、前記歯科健診データにおける歯科健診または歯科問診の結果を数値化した値を含む、
疾病リスク予測方法。

【請求項9】

請求項６に記載の疾病リスク予測方法であって、
前記医科レセプトデータから把握される前記特定の疾病に関する情報は、前記特定の疾病について行われた診療の点数を示す情報を含む、
疾病リスク予測方法。

【請求項10】

請求項６に記載の疾病リスク予測方法であって、
前記情報処理装置が、前記特定の疾病のリスクを予測しようとする対象者についての前記説明変数の値を受け付ける設定欄と、前記設定欄に設定された値を前記リスク予測モデルに適用して得られた前記目的変数に基づく情報を提示する提示欄とを有する画面を提示するステップ、
を更に実行する、疾病リスク予測方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、疾病リスク予測システム、および疾病リスク予測方法に関する。

【背景技術】

【0002】

近年、我が国においては、年々増大する医療費の抑制が課題となっており、医療保険者には、被保険者の健康を維持しつつ医療費の適正化を図ることが求められている。こうした背景のもと、医療保険者は、データヘルス計画に基づく施策の一つとして、医療機関から収集される医科レセプトデータ等の医療情報データベースを活用した保険事業を推進している。

【0003】

医療情報データベースの活用事例として、例えば、特許文献１には、医療保険者による被保険者に対する健康管理介入を支援するための各種の健康管理介入支援情報を生成することを目的として構成された基盤システムについて記載されている。基盤システムは、被保険者の医療情報を記録した保険者データベース、被保険者が使用するＩｏＴ体重計、ウェアラブル端末、情報通信端末の少なくともいずれか１つと、医療情報とＩｏＴ体重計、ウェアラブル端末、情報通信端末の少なくともいずれか１つから送信される情報に基づき、健康管理介入支援情報を生成する。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０１８－１１６３９５号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

昨今、歯科健診データと特定の疾病との関連性の明確化という視点において、歯周病と糖尿病との関連性についての報告が数多くなされている。例えば、炎症に起因する化学物質が歯周ポケットから体中に放出されることによりインスリンを効きにくくする「インスリン抵抗性」を引き起こし、それにより糖尿病を発症するリスクが高まることが報告されている。そのため、歯科健診データと医科レセプトデータとの関連性を統計的に分析することにより疾病リスクを予測し、予測により得られた情報を、医療保険者や医療従事者、被保険者等に提供することで、歯科健診の受診率の向上や歯科疾患の予防が促され、人の健康寿命の延伸に繋げることができると考えられる。

【0006】

ここで上記の特許文献１には、被保険者の医療情報を記録した保険者データベース、被保険者が使用するＩｏＴ体重計、ウェアラブル端末、情報通信端末から取得した情報に基づき健康管理介入支援情報を生成して保険者に提供し、被保険者が健康管理介入支援情報に基づく指導やアドバイスを受けることが記載されている。しかし同文献には、歯科健診データと医科レセプトデータから把握される特定の疾病との関連性に着目して分析を行うことについては記載されていない。

【0007】

本発明はこのような背景に鑑みてなされたものであり、歯科健診データと医科レセプトデータから把握される疾病との関連性に基づく疾病リスクに関する情報を提供することが可能な、疾病リスク予測システム、および疾病リスク予測方法を提供することを目的とする。

【課題を解決するための手段】

【0008】

上記目的を達成するための本発明の一つは、疾病リスク予測システムであって、プロセッサおよび記憶素子を有する情報処理装置を用いて構成され、複数の者について行われた歯科健診または歯科問診の結果に関する情報を含む歯科健診データと、前記複数の者について行われた診療の結果に関する情報を含む医科レセプトデータと、を取得し、前記歯科健診データおよび前記医科レセプトデータに基づき、前記歯科健診データの内容を説明変数とし前記医科レセプトデータから把握される特定の疾病に関する情報を目的変数とするモデルである、リスク予測モデルを生成し、前記特定の疾病についてのリスクを予測しようとする対象者について行われた前記歯科健診データの内容を説明変数として前記リスク予測モデルに適用することにより前記目的変数を取得し、取得した前記目的変数に基づく情報を出力する、前記リスク予測モデルは、重回帰分析によって生成される統計モデルであり、前記リスク予測モデルに用いる前記説明変数を、前記重回帰分析によって取得されるｔ値または信頼区間に基づき選択する。

【0009】

尚、上記した以外の課題、構成および効果は、以下の発明を実施するための形態の説明により明らかにされる。

【発明の効果】

【0010】

本発明によれば、歯科健診データと医科レセプトデータから把握される疾病との関連性に基づく疾病リスクに関する情報を提供することができ、ひいては人の健康寿命の延伸を図ることができる。

【図面の簡単な説明】

【0011】

【図1】疾病リスク予測システムの概略的な構成を示す図である。

【図2】疾病リスク予測システムを構成する情報処理装置のハードウェア構成の一例である。

【図3】疾病リスク予測装置が備える主な機能を示す図である。

【図4】歯科健診データのテーブルの一例である。

【図5】レセプトデータのテーブルの一例である。

【図6】特定疾病マスタのテーブルの一例である。

【図7】診療点数マスタのテーブルの一例である。

【図8】歯科健診数値化データのテーブルの一例である。

【図9】特定疾病点数データのテーブルの一例である。

【図10】管理者装置が備える主な機能を示す図である。

【図11】利用者装置が備える主な機能を示す図である。

【図12】リスク予測モデル生成処理を説明するフローチャートである。

【図13】歯科健診データ数値化処理を説明するフローチャートである。

【図14】特定疾病点数データ生成処理を説明するフローチャートである。

【図15】重回帰分析に用いる説明変数と目的変数の一例である。

【図16】重回帰分析の結果の例である。

【図17】リスク予測処理を説明するフローチャートである。

【図18】疾病リスク提示画面の一例である。

【発明を実施するための形態】

【0012】

以下、本発明の実施形態について図面を参照しつつ詳細に説明する。尚、本発明は、他の種々の形態でも実施することが可能である。以下の記載および図面は、本発明を説明するための例示に過ぎず、説明の明確化のため、適宜、省略および簡略化がなされている。以下に説明する各構成要素は、とくに限定しない限り単数でも複数でも構わない。

【0013】

以下の説明では、「情報」、「データ」、「表」、「テーブル」等の表現にて各種情報を説明することがあるが、各種情報は、これら以外のデータ構造で表現されていてもよい。識別情報について説明する際に、「識別子」、「ＩＤ」等の表現を用いるが、これらはお互いに置換可能である。

【0014】

以下の説明において、符号の前に付した「Ｓ」の文字は処理ステップの意味である。以下の説明において、同一のまたは類似する構成について同一の符号を付して重複した説明を省略することがある。

【0015】

図１に、本発明の一実施形態として説明する情報処理システム（以下、「疾病リスク予測システム１」と称する。）の概略的な構成を示している。同図に示すように、疾病リスク予測システム１は、疾病リスク予測装置１００、管理者装置２００、および利用者装置３００を含む。これらはいずれも情報処理装置（コンピュータ）を用いて構成されており、通信ネットワーク５を介して互いに双方向通信が可能な状態で接続されている。通信ネットワーク５は、情報処理装置の間で行われる有線通信または無線通信を実現するための通信基盤であり、例えば、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network
）、インターネット、各種公衆通信網、専用線、シリアル通信媒体（ＵＳＢ通信機器（USB：Universal Serial Bus）等）等である。

【0016】

疾病リスク予測装置１００は、歯科医療機関や企業や官公庁、学校等の組織において実施された歯科健診や歯科問診において取得された情報（以下、「歯科健診データ」と称する。）と、病院や医院等の医療機関（歯科を除く）や組織において行われた診療や健康診断により取得された医科レセプトデータ（以下、「レセプトデータ」と称する。）から把握される特定の疾病との関係性に基づき、被保険者等の対象者について、特定の疾病についてのリスクを予測する。

【0017】

ここで上記の特定の疾病は、例えば、糖尿病、高血圧症、脂質異常症等の生活習慣病等である。また、上記のリスク（以下、「疾病リスク」とも称する。）は、例えば、対象者が特定の疾病に将来罹患するリスク、対象者が現在患っている疾病が重傷化するリスクや将来の進行度合い等である。疾病リスク予測装置１００は、予測した疾病リスクを、医療従事者（医師、歯科医師、看護師、歯科衛生士等）、医療保険者（医療保険事業を運営するために保険料の徴収や保険給付を行う実施団体）、被保険者等（以下、これらの者を「利用者」と総称する。）に提供する。尚、以下では、特定の疾病が糖尿病である場合を例として説明する。

【0018】

管理者装置２００は、疾病リスク予測装置１００の管理者が、管理者装置２００の管理に際して操作する情報処理装置である。上記管理とは、例えば、疾病リスク予測装置１００に対する各種情報の設定（登録、編集、削除等）、疾病リスク予測装置１００の動作の監視や制御である。尚、管理者装置２００の機能は、疾病リスク予測装置１００の機能として実現してもよい。

【0019】

利用者装置３００は、利用者が、疾病リスク予測装置１００から情報提供を受けるために必要となる各種情報の入力や設定（登録、編集、削除等）、疾病リスク予測装置１００から提供される各種情報の閲覧等を行う際に操作する情報処理装置である。利用者装置３００は、例えば、歯科医院や病院等の医療機関、企業や官公庁等の組織、健康診断の実施会場等において利用される。利用者装置３００の操作主体は必ずしも限定されないが、例えば、医師や看護師等の医療従事者、医療保険者、対象者に健康に関するアドバイスを行う者等である。利用者装置３００の機能は、疾病リスク予測装置１００の機能として実現してもよい。

【0020】

図２に、疾病リスク予測システム１を構成する情報処理装置（疾病リスク予測装置１００、管理者装置２００、利用者装置３００）のハードウェア構成の一例を示す。例示する情報処理装置１０は、プロセッサ１１、主記憶装置１２、補助記憶装置１３、入力装置１４、出力装置１５、および通信装置１６を備える。情報処理装置１０は、例えば、パーソナルコンピュータ、スマートフォン、タブレット、サーバ装置、汎用機等である。

【0021】

各情報処理装置（疾病リスク予測装置１００、管理者装置２００、利用者装置３００）は、例えば、通信可能に接続された複数の情報処理装置１０を用いて実現してもよい。

【0022】

また、情報処理装置１０は、その全部または一部が、例えば、クラウドシステムによって提供される仮想サーバのように、仮想化技術やプロセス空間分離技術等を用いて提供される仮想的な情報処理資源を用いて実現されるものであってもよい。また、情報処理装置１０によって提供される機能の全部または一部は、例えば、クラウドシステムがＡＰＩ（Application Programming Interface）等を介して提供するサービスによって実現しても
よい。

【0023】

また、情報処理装置１０によって提供される機能の全部または一部は、例えば、ＳａａＳ（Software as a Service）、ＰａａＳ（Platform as a Service）、ＩａａＳ（Infrastructure as a Service）等を利用して実現されるものであってもよい。

【0024】

同図に示すプロセッサ１１は、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ
（Micro Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）、ＡＳＩＣ（Application Specific Integrated Circuit）、
ＡＩ（Artificial Intelligence）チップ等を用いて構成されている。

【0025】

主記憶装置１２は、プログラムやデータを記憶する装置であり、例えば、ＲＯＭ（Read
Only Memory）、ＲＡＭ（Random Access Memory）、不揮発性メモリ（ＮＶＲＡＭ（Non Volatile RAM））等の記憶素子を用いて構成される。

【0026】

補助記憶装置１３は、例えば、ＳＳＤ（Solid State Drive）、ハードディスクドライ
ブ、光学式記憶装置（ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）等）、ストレージシステム、ＩＣカード、ＳＤカードや光学式記録媒体等の記録媒体の読取／書込装置、クラウドサーバの記憶領域等である。補助記憶装置１３には、記録媒体の読取装置や通信装置１６を介してプログラムやデータを読み込むことができる。補助記憶装置１３に格納（記憶）されているプログラムやデータは主記憶装置１２に随時読み込まれる。

【0027】

尚、情報処理装置１０の機能を実現するプログラムやデータの全部または一部は、予め主記憶装置１２や補助記憶装置１３に格納されていてもよいし、必要に応じて、非一時的な記録媒体や他の装置に備えられている非一時的な記憶装置から、記録媒体の読取装置や通信装置を介して主記憶装置１２や補助記憶装置１３に読み込むようにしてもよい。

【0028】

入力装置１４は、外部からの入力を受け付けるインタフェースであり、例えば、キーボード、マウス、タッチパネル、カードリーダ、ペン入力方式のタブレット、音声入力装置等である。

【0029】

出力装置１５は、処理経過や処理結果等の各種情報を出力するインタフェースである。出力装置１５は、例えば、上記の各種情報を可視化する表示装置（液晶モニタ、ＬＣＤ（Liquid Crystal Display）、グラフィックカード等）、上記の各種情報を音声化する装置（音声出力装置（スピーカ等））、上記の各種情報を文字化する装置（印字装置等）である。尚、例えば、情報処理装置１０が通信装置１６を介して他の装置との間で情報の入力や出力を行う構成としてもよい。

【0030】

入力装置１４と出力装置１５は、ユーザ（利用者や管理者）との間での対話処理（情報の入力受付、情報の提示等）を実現するユーザインタフェースを構成する。

【0031】

通信装置１６は、他の装置との間の通信を実現する装置である。通信装置１６は、通信ネットワーク５を介して他の装置との間の通信を実現する、有線方式または無線方式の通信インタフェースであり、例えば、ＮＩＣ（Network Interface Card）、無線通信モジュール、ＵＳＢモジュール等である。

【0032】

情報処理装置１０には、例えば、オペレーティングシステム、ファイルシステム、ＤＢＭＳ（DataBase Management System）（リレーショナルデータベース、ＮｏＳＱＬ等）、ＫＶＳ（Key-Value Store）等が導入されていてもよい。

【0033】

疾病リスク予測装置１００、管理者装置２００、および利用者装置３００の夫々が備える各種の機能は、夫々が備えるプロセッサ１１が、主記憶装置１２に格納されているプログラムを読み出して実行することにより、もしくは、夫々を構成するハードウェア（ＦＰＧＡ、ＡＳＩＣ、ＡＩチップ等）自体によって実現される。

【0034】

疾病リスク予測装置１００、管理者装置２００、および利用者装置３００は、各種の情報（データ）を、例えば、データベースのテーブルやファイルシステムが管理するファイルとして記憶する。

【0035】

図３に、疾病リスク予測装置１００が備える主な機能を示す。同図に示すように、疾病リスク予測装置１００は、主な機能として、記憶部１１０、情報取得管理部１２０、学習データ生成部１３０、モデル生成部１４０、およびリスク予測部１５０を備える。

【0036】

上記機能のうち、記憶部１１０は、歯科健診データ１０１、レセプトデータ１０２、特定疾病マスタ１０３、診療点数マスタ１０４、歯科健診数値化データ１０５、特定疾病点数データ１０６、重回帰分析結果１０７、リスク予測モデル１１１、リスク予測結果１１２、および疾病リスク提示画面１１３の各情報（データ）を管理（記憶）する。

【0037】

上記情報のうち、歯科健診データ１０１は、歯科医療機関や企業や官公庁、学校等の組織において実施された歯科健診や歯科問診において取得された、健診情報や問診情報を含む。上記の健診情報は、例えば、歯科医師の所見、残歯数、歯周ポケットの有無等の情報を含む。また、上記の問診情報は、例えば、歯についての悩み、歯磨きの習慣、痛み等の情報を含む。尚、歯科健診データ１０１は、個人情報保護のために匿名化処理が施されている。

【0038】

図４に、歯科健診データ１０１のテーブルの一例を示す。例示するテーブルは、歯科健診や歯科問診の対象者の一人に対応する。即ち、歯科健診データ１０１は、対象者毎の複数の上記テーブルを含む。

【0039】

同図に示すように、例示するテーブルは、項目名１０１１と当該項目に対する回答１０１２とを対応づけた複数のレコードで構成される。項目名１０１１には、当該対象者の属性の種別（「被保連番」（被保険者証の番号を匿名化したもの）、「性別」、「年齢」）や歯科健診や歯科問診に際し対象者に対して行った質問の内容（以下、「質問内容」と称する。）が格納される。回答１０１２には、対象者の属性や質問内容が格納される。

【0040】

図３に戻り、レセプトデータ１０２は、病院や医院等の医療機関（歯科を除く）や企業や官公庁、学校等の組織において行われた診療（診察や診断を含む）に際して取得された医科レセプトデータである。レセプトデータ１０２は、例えば、国の当局等が提供するレセプト情報データベース（例えば、ＮＤＢオープンデータ）から取得したものである。尚、レセプトデータ１０２は、個人情報保護のために匿名化処理が施されている。

【0041】

図５に、レセプトデータ１０２のテーブルの一例を示す。例示するテーブルは、診療の対象者の一人に対応する。即ち、レセプトデータ１０２は、対象者毎の複数の上記テーブルを含む。

【0042】

同図に示すように、例示するテーブルは、項目名１０２１と当該項目に対する値１０２２とを対応づけた複数のレコードで構成される。項目名１０２１には、当該対象者の属性の種別（被保連番）や当該対象者について行われた診療の内容（「医療機関コード」、「診療年月」、「入院年月」、「決定点数」、「負担者負担」、「患者負担割合」、「疾病コード」等。以下、これらを「診療情報」と総称する。）が格納される。値１０２２には、当該対象者の属性や診療情報が格納される。

【0043】

図３に戻り、特定疾病マスタ１０３は、疾病名称（傷病名称）の一覧を含む。特定疾病マスタ１０３は、後述する特定疾病点数データ１０６の生成に際し、学習データ生成部１３０の特定疾病点数データ生成部１３２が、レセプトデータ１０２から、特定の疾病に関する情報を抽出する目的で参照される。特定疾病マスタ１０３は、例えば、国の当局等が提供する傷病名マスタに基づき生成される。

【0044】

図６に、特定疾病マスタ１０３のテーブルの一例を示す。特定疾病マスタ１０３には、特定の疾病（本例では糖尿病）に関する疾病の名称の一覧が管理される。

【0045】

図３に戻り、診療点数マスタ１０４は、診療（診療行為名称）毎の点数（診療点数）の情報を含む。診療点数マスタ１０４は、レセプトデータ１０２から抽出した特定の疾病について行われた診療の点数を取得する目的で用いられる。診療点数マスタ１０４は、例えば、国の当局等が提供する医科診療行為マスタに基づき生成される。

【0046】

図７に、診療点数マスタ１０４のテーブルの一例を示す。診療点数マスタ１０４には、特定の疾病（本例では糖尿病）についての診療や診断の点数（診療点数）が管理される。同図に示すように、診療点数マスタ１０４には、診療行為名称１０４１と、当該診療行為についての点数１０４２とを対応づけた情報が管理される。診療行為名称１０４１には診療行為名称が格納される。点数１０４２には当該診療行為の診療点数が格納される。

【0047】

図３に戻り、歯科健診数値化データ１０５は、歯科健診データ１０１の回答１０１２の内容を数値化した情報である。歯科健診数値化データ１０５の内容は、モデル生成部１４０がリスク予測モデルの生成に際し説明変数として用いる。

【0048】

図８に、歯科健診数値化データ１０５のテーブルの一例を示す。例示するテーブルの一つは歯科健診または歯科問診の対象者の一人に対応する。即ち、歯科健診数値化データ１０５は、対象者毎の複数の上記テーブルを含む。

【0049】

同図に示すように、例示するテーブルは、項目名１０５１と値１０５２とを対応づけた情報を含む。項目名１０５１には、歯科健診データ１０１の項目名１０１１と同じ内容が格納される。値１０５２には、歯科健診データ１０１の回答１０１２の内容を数値化した値が格納される。例えば、項目名１０１１が属性である場合は当該属性の内容を数値化した値が、また、項目名１０１１が質問内容である場合は当該質問内容に対する当該対象者の回答をランクや種類に応じて数値化した値が、夫々値１０５２に格納される。尚、歯科健診数値化データ１０５には、歯科健診データ１０１にはない説明変数（項目名１０５１）が必要に応じて追加される。本例では、項目名１０５１に対象者の属性である「年代」が追加されている。このように、歯科健診データ１０１を適切に数値化することで、後述する重回帰分析等の統計処理を効率よく行うことができる。

【0050】

図３に戻り、特定疾病点数データ１０６は、レセプトデータ１０２、特定疾病マスタ１０３、および診療点数マスタ１０４に基づき生成される。特定疾病点数データ１０６の内容は、モデル生成部１４０が、リスク予測モデルの生成に際し目的変数として用いる。

【0051】

図９に、特定疾病点数データ１０６のテーブルの一例を示す。例示するテーブルは、診療や診断の対象者の一人に対応する。即ち、特定疾病点数データ１０６は、対象者毎の複数の上記テーブルを含む。

【0052】

同図に示すように、例示するテーブルは、項目名１０６１と当該項目に対する値１０６２とを対応づけた複数のレコードで構成される。項目名１０６１には、「被保連番」、「疾病名称」、「点数合計」が格納される。値１０６２には、項目名１０６１に対応する内容が設定される。例えば、項目名１０６１が「被保連番」である場合は当該対象者の被保連番が、項目名１０６１が「疾病名称」である場合は当該対象者の疾病名称（疾病コードでもよい）が、項目名１０６１が「点数合計」である場合は、当該対象者について行われた各診療の点数の合計値が、夫々値１０６２に格納される。

【0053】

図３に戻り、重回帰分析結果１０７は、モデル生成部１４０がリスク予測モデル１１１の生成に際して行う重回帰分析の結果に関する情報を含む。上記情報の詳細については後述する。

【0054】

同図に示すリスク予測モデル１１１は、モデル生成部１４０により生成されたリスク予測モデルに関する情報（後述する係数等）を含む。リスク予測モデルの詳細については後述する。

【0055】

同図に示すリスク予測結果１１２は、リスク予測部１５０がリスク予測モデルを用いて予測した結果（疾病リスク）に関する情報を含む。

【0056】

同図に示す疾病リスク提示画面１１３は、リスク予測部１５０が利用者装置３００を介して提示する、リスク予測結果１１２の内容を記載した画面の情報を含む。疾病リスク提示画面１１３は、例えば、ＨＴＭＬ（Hypertext Markup Language）やＸＭＬ（Extensible Markup Language）等のマークアップ言語で記述された情報や画像データを含む。

【0057】

図３に示す機能のうち、情報取得管理部１２０は、リスク予測モデルの生成に必要な情報である、歯科健診データ１０１、レセプトデータ１０２、特定疾病マスタ１０３、および診療点数マスタ１０４を取得して管理する。情報取得管理部１２０は、例えば、通信ネットワーク５を介して、インターネット上のサーバ装置や管理者装置２００から上記情報を取得する。

【0058】

図３に示す機能のうち、学習データ生成部１３０は、リスク予測モデルの生成において学習データとして用いる、歯科健診数値化データ１０５および特定疾病点数データ１０６を生成する。同図に示すように、学習データ生成部１３０は、歯科健診データ数値化部１３１と特定疾病点数データ生成部１３２とを含む。このうち歯科健診データ数値化部１３１は、歯科健診データ１０１に基づき、リスク予測モデルの生成に用いる歯科健診数値化データ１０５を生成する。一方、特定疾病点数データ生成部１３２は、レセプトデータ１０２、特定疾病マスタ１０３、および診療点数マスタ１０４に基づき、特定疾病点数データ１０６を生成する。

【0059】

図３に示す機能のうち、モデル生成部１４０は、学習データ（歯科健診数値化データ１０５、特定疾病点数データ１０６）を用いてリスク予測モデルを生成する。同図に示すように、モデル生成部１４０は、重回帰分析部１４１、説明変数選択部１４２、およびモデ
ル登録部１４３を含む。このうち重回帰分析部１４１は、歯科健診数値化データ１０５の内容を説明変数とし、特定疾病点数データ１０６の内容を目的変数として重回帰分析を行う。説明変数選択部１４２は、重回帰分析部１４１が行った重回帰分析の結果に基づき、目的変数に与える影響が大きい説明変数を選択する。モデル登録部１４３は、説明変数選択部１４２が選択した説明変数を用いてリスク予測モデルを生成し、生成したリスク予測モデルをリスク予測モデル１１１として登録する。

【0060】

図３に示す機能のうち、リスク予測部１５０は、モデル生成部１４０によって生成されたリスク予測モデル１１１を用い、被保険者等の対象者について、特定の疾病についての疾病リスクを予測し、予測した結果を記載した疾病リスク提示画面１１３を生成して利用者装置３００に送信する。

【0061】

同図に示すように、リスク予測部１５０は、説明変数受付部１５１、モデル適用部１５２、および予測結果提示部１５３を含む。このうち説明変数受付部１５１は、利用者装置３００を介して利用者から説明変数の入力を受け付ける。モデル適用部１５２は、利用者から受け付けた説明変数をリスク予測モデル１１１に与えてその結果（目的変数）を取得する。予測結果提示部１５３は、リスク予測モデル１１１による予測結果に基づく情報を記載した画面を生成し、利用者装置３００に送信する。

【0062】

図１０に、管理者装置２００が備える主な機能を示す。同図に示すように、管理者装置２００は、記憶部２１０、通信部２２０、および情報設定部２３０を備える。記憶部２１０は、管理者から受け付けた情報、疾病リスク予測装置１００から送られてくる情報、疾病リスク予測装置１００に送信する情報等を記憶する。通信部２２０は、通信ネットワーク５を介して疾病リスク予測装置１００と通信する。情報設定部２３０は、疾病リスク予測装置１００において管理される各種の情報を設定（登録、編集、削除、検索等）するためのユーザインタフェースを管理者に提供する。

【0063】

図１１に、利用者装置３００が備える主な機能を示す。同図に示すように、利用者装置３００は、記憶部３１０、通信部３２０、および説明変数受付部３３０を備える。このうち記憶部３１０は、利用者から受け付けた情報、疾病リスク予測装置１００から送られてくる情報、疾病リスク予測装置１００に送信する情報等を記憶する。通信部３２０は、通信ネットワーク５を介して疾病リスク予測装置１００と通信する。説明変数受付部３３０は、説明変数を入力するためのユーザインタフェースを利用者に提供する。説明変数受付部３３０は、利用者が入力した説明変数を疾病リスク予測装置１００に送信する。

【0064】

続いて、疾病リスク予測システム１において行われる処理について説明する。

【0065】

図１２は、疾病リスク予測装置１００が、リスク予測モデルの生成に際して行う処理（以下、「リスク予測モデル生成処理Ｓ１２００」と称する）を説明するフローチャートである。リスク予測モデル生成処理Ｓ１２００は、例えば、情報取得管理部１２０によって新たな情報（例えば、歯科健診データ１０１やレセプトデータ１０２）が提供されたことや、管理者装置２００を介して管理者から実行指示がされたことを契機として実行される。以下、同図とともにリスク予測モデル生成処理Ｓ１２００について説明する。

【0066】

まず疾病リスク予測装置１００の情報取得管理部１２０が、リスク予測モデルの生成に用いる情報である、歯科健診データ１０１、レセプトデータ１０２、特定疾病マスタ１０３、および診療点数マスタ１０４を取得する（Ｓ１２１１）。

【0067】

続いて、疾病リスク予測装置１００の学習データ生成部１３０が、歯科健診データ１０１に基づき歯科健診数値化データ１０５を生成する処理（以下、「歯科健診データ数値化
処理Ｓ１２１２」と称する。）を行う。

【0068】

図１３は、歯科健診データ数値化処理Ｓ１２１２を説明するフローチャートである。歯科健診データ数値化処理Ｓ１２１２は、歯科健診データ１０１のテーブル毎に行われる。同図に示すように、歯科健診データ数値化処理Ｓ１２１２では、学習データ生成部１３０の歯科健診データ数値化部１３１が、歯科健診データ１０１の回答１０１２の内容を数値化し（Ｓ１３１１）、数値化したテーブルを歯科健診数値化データ１０５に登録する。

【0069】

図１２戻り、続いて、学習データ生成部１３０が、レセプトデータ１０２に基づき特定疾病点数データ１０６を生成する処理（以下、「特定疾病点数データ生成処理Ｓ１２１３」と称する。）を行う。

【0070】

図１４は、特定疾病点数データ生成処理Ｓ１２１３を説明するフローチャートである。尚、同図に示す特定疾病点数データ生成処理Ｓ１２１３は、レセプトデータ１０２のテーブル毎に行われる。

【0071】

同図に示すように、まず学習データ生成部１３０の特定疾病点数データ生成部１３２が、特定疾病マスタ１０３を参照し、レセプトデータ１０２から特定の疾病に関する情報を抽出する（Ｓ１４１１）。

【0072】

続いて、特定疾病点数データ生成部１３２は、抽出した上記情報に対応する診療行為名称１０４１を診療点数マスタ１０４から特定し、特定した診療行為名称１０４１と当該診療行為名称に対応する点数１０４２とを取得する（Ｓ１４１２）。

【0073】

続いて、特定疾病点数データ生成部１３２は、抽出した診療行為名称１０４１、当該診療行為名称に対応する点数１０４２、およびレセプトデータ１０２の属性（被保連番）を対応づけたレコードからなるテーブルを特定疾病点数データ１０６に登録する（Ｓ１４１３）。

【0074】

図１２戻り、続いて、モデル生成部１４０が、歯科健診数値化データ１０５と特定疾病点数データ１０６に基づきリスク予測モデルを生成する（Ｓ１２１４～Ｓ１２１６）。

【0075】

まずモデル生成部１４０の重回帰分析部１４１が、歯科健診数値化データ１０５の内容を説明変数とし、特定疾病点数データ１０６の内容を目的変数として重回帰分析を行う（Ｓ１２１４）。本実施形態では、次式（以下、「式１」と称する。）を回帰式として重回帰分析を行う。式１において、Ｘ_１，Ｘ_２，Ｘ_３，Ｘ_４，・・・は説明変数、Ｙは目的変数、ａ_０，ａ_１，ａ_２，ａ_３，ａ_４，・・・は係数（定数）である。尚、説明変数として用いる歯科健診数値化データ１０５の対象期間、および目的変数として用いる特定疾病点数データ１０６の対象期間は、リスク予測モデルを用いて予測しようとするリスクの内容に応じて適切な範囲に設定する。
［数１］
（式１） Ｙ＝ａ_０＋ａ_１Ｘ_１＋ａ_２Ｘ_２＋ａ_３Ｘ_３＋ａ_４Ｘ_４＋・・・

【0076】

図１５に、上式に適用する説明変数Ｘ（歯科健診数値化データ１０５から取得される値）と目的変数Ｙ（特定疾病点数データ１０６から取得される値）の一例を示す。同図の括弧内は数値化の方法を示す。特定疾病点数データ１０６の点数の値１０６２にはある程度幅がある（３から６桁程度）ので、本実施形態では点数の値１０６２を自然対数(ln)に変換したものを上式に代入している。

【0077】

重回帰分析部１４１は、上記の重回帰分析において、各対象者の歯科健診数値化データ
１０５の内容を上式の説明変数Ｘに代入して目的変数Ｙを求め、求めた目的変数Ｙと当該説明変数に対応する各対象者の特定疾病点数データ１０６の内容との差が最小になるように係数ａ_０、ａ_１、ａ_２、ａ_３、ａ_４、・・・の値を決定する。

【0078】

図１２に戻り、続いて、モデル生成部１４０の説明変数選択部１４２が、重回帰分析の結果に基づき、目的変数に与える影響の大きい説明変数（例えば、目的変数である特定の疾病の重症化リスクに大きく寄与する説明変数）を、リスク予測モデルの構成に用いる説明変数として選択する（Ｓ１２１５）。

【0079】

図１６に重回帰分析の結果の一例を示す。同図における表１６００には、歯科健診数値化データ１０５から取得される説明変数のうち、重回帰分析により糖尿病と相関が強いと判定された説明変数に関する情報（係数ａ_ｉ１６１２_、標準偏差１６１３、ｔ値１６１４、および信頼区間１６１５）を示している。同表におけるｔ値１６１４は、当該説明変数が疾病（糖尿病）の点数（診療点数）にどの程度影響を与えているか（相関の強さ）を示す値である。例えば、説明変数選択部１４２は、説明変数のｔ値１６１４が１．５以上、もしくは－１．５以下であれば相関が強いと判定し、当該説明変数は選択に値すると判定する。同表における信頼区間１６１５は、その値が小さいほど偶然性が低いことを示す。例えば、説明変数選択部１４２は、説明変数の信頼区間１６１５の値が０．０５より小さければ偶然性が低いと判定し、当該説明変数は選択に値すると判定する。

【0080】

このように重回帰分析の結果として得られる情報（ｔ値や信頼区間）に基づき、目的変数への寄与が大きい説明変数を選択してリスク予測モデルを構成することで、簡素で精度の高いリスク予測モデルを生成することができ、効率よく疾病リスクを予測することができる。

【0081】

同図における１６５０の自由度修正済み決定係数１６５１は、表１６００に基づくリスク予測モデルがどの程度母集団を表現しているかを示す。本例では、自由度修正済み決定係数１６５１が０．８８５４となっているが、これは上記リスク予測モデルが母集団を９％弱程度表現していることを示す。また、表１６５０におけるＦ検定のｐ値１６５２は、上記リスク予測モデルが偶然であるものとして棄却できないことを示す。本例では、Ｆ検定のｐ値１６５２が０に近い値となっているが、これは上記リスク予測モデルが偶然として棄却できるものではないことを示す。

【0082】

図１２に戻り、続いて、モデル生成部１４０のモデル登録部１４３が、Ｓ１２１５で選択された説明変数に基づきリスク予測モデルを生成し、生成したリスク予測モデルをリスク予測モデル１１１として登録する（Ｓ１２１６）。尚、リスク予測モデル１１１は、少なくとも、選択された説明変数を示す情報と、係数ａ_ｉ（ｉ＝０，１，２，３，・・・）の値とを含む。モデル登録部１４３によって登録されるリスク予測モデル１１１の一例を次式（以下、「式２」と称する。）に示す。
［数２］
（式２） Ｙ＝ａ_０＋ａ_１Ｘ_１＋ａ_２Ｘ_２＋ａ_３Ｘ_３＋ａ_４Ｘ_４＋ａ_５Ｘ_５

【0083】

図１７は、疾病リスク予測装置１００のリスク予測部１５０が、利用者装置３００を介して利用者から受け付けた説明変数の値をリスク予測モデル１１１に適用することにより疾病リスクを予測し、予測した疾病リスクを利用者に提示する処理（以下、「リスク予測処理Ｓ１７００」と称する）を説明するフローチャートである。リスク予測処理Ｓ１７００は、例えば、利用者装置３００を介して、利用者から疾病リスクの提供要求を受け付けたことを契機として実行される。以下、同図とともにリスク予測処理Ｓ１７００について説明する。

【0084】

まずリスク予測部１５０の説明変数受付部１５１が、利用者装置３００を介して利用者から説明変数の値（疾病リスクを予測しようとする対象者の説明変数の値）を受け付ける。具体的には、説明変数受付部１５１が、疾病リスク提示画面１１３を生成して利用者装置３００に送信し、利用者装置３００が疾病リスク提示画面１１３を提示して利用者から説明変数の値を受け付ける（Ｓ１７１１）。

【0085】

図１８に、疾病リスク提示画面１１３の一例を示す。同図に示すように、例示する疾病リスク提示画面１１３は、説明変数の設定欄１８１０、目的変数の表示欄１８２０、および予測実行ボタン１８３０を有する。利用者が、説明変数の設定欄１８１０に説明変数の値（本例では５つの説明変数の値）を設定し、予測実行ボタン１８３０を操作すると、説明変数の設定欄１８１０に設定した内容が疾病リスク予測装置１００に送信される。尚、説明変数の設定欄１８１０の各説明変数の設定欄にはプルダウンメニューの表示ボタン１８１１が設けられており、利用者が表示ボタン１８１１を操作すると各説明変数について選択可能な値が自動表示され、利用者は表示された値をマウス操作等で選択することで簡便に説明変数を設定することができる。

【0086】

図１７に戻り、続いて、リスク予測部１５０のモデル適用部１５２が、利用者から受け付けた説明変数の値をリスク予測モデル１１１に適用し、その結果である目的変数（疾病リスク）の値を取得する（Ｓ１７１２）。例えば、リスク予測モデル１１１が式２で表される場合、モデル適用部１５２は、同式における説明変数Ｘ_１、Ｘ_２、Ｘ_３、Ｘ_４、Ｘ_５に、利用者から受け付けた説明変数の値を代入することにより目的変数Ｙの値を取得する。

【0087】

続いて、リスク予測部１５０の予測結果提示部１５３が、取得した目的変数（疾病リスク）の値を利用者装置３００に送信し、利用者装置３００がこれを受信し、疾病リスク提示画面１１３を介して利用者に提示する（Ｓ１７１３）。

【0088】

図１８に示すように、利用者装置３００は、疾病リスク提示画面１１３の目的変数の表示欄１８２０に、疾病リスク予測装置１００から受信した目的変数（疾病リスク）の値を表示する。本例では、利用者装置３００は、目的変数の表示欄１８２０に、５年後と１０年後における被保険者（対象者）の疾病（糖尿病）のリスクを示す値（本例では、目的変数の値）を表示している。尚、この例では５年後と１０年後の疾病リスクを表示しているが、この場合、モデル生成部１４０は、例えば、５年後と１０年後における疾病リスクを予測するのに必要な学習データを生成し、夫々について個別にリスク予測モデルを生成する。また、本例では、５年後と１０年後の２つの目的変数を提示しているが、例えば、利用者から何年後を提示するかについての指定を受け付け、指定された時期に対応するリスク予測モデルを用いて目的変数の値（疾病リスク）を取得し、取得した目的変数の値を利用者に提示するようにしてもよい。

【0089】

図１７に戻り、続いて、リスク予測部１５０は、利用者が疾病リスク提示画面１８００の説明変数の値を変更したか否か（再実行指示の有無）を判定する（Ｓ１７１４）。利用者が説明変数の値を変更した場合（Ｓ１７１４：ＹＥＳ）、処理はＳ１７１１に戻り、変更後の説明変数の値について以上と同様の処理を繰り返す。このように、利用者は、疾病リスク提示画面１８００を利用して説明変数の値を簡単な操作で変更することができる。そのため、説明変数の値の様々な組合せについての疾病リスクの予測結果を確認することができ、例えば、どのような因子が将来的な疾病リスクにどのように影響するかを確認することができる。

【0090】

一方、利用者が説明変数の値を変更していない場合（Ｓ１７１４：ＮＯ）、リスク予測部１５０は、利用者が疾病リスク提示画面１８００の戻るボタン１８４０を操作した否か
（終了指示の有無）を判定する（Ｓ１７１５）。利用者が戻るボタン１８４０を操作していなければ（Ｓ１７１５：ＮＯ）、処理はＳ１７１４に戻る。利用者が戻るボタン１８４０を操作すると（Ｓ１７１５：ＹＥＳ）、疾病リスク提示画面１８００の呼び出し元の画面に制御が移り、リスク予測処理Ｓ１７００は終了する。

【0091】

以上に説明したように、本実施形態の疾病リスク予測システムによれば、歯科健診データと医科レセプトデータから把握される疾病との関連性に基づく疾病リスクに関する情報を、医療保険者や医療従事者、被保険者等に提供することができる。そのため、歯科健診の受診率の向上や歯科疾患の予防を促すことができ、人の健康寿命の延伸に繋げることができる。またその結果、被保険者の健康維持と医療費の適正化の両立に貢献することが期待できる。

【0092】

以上、本発明の一実施形態について説明したが、本発明は上記の実施形態に限定されるものではなく、その要旨を逸脱しない範囲で種々変更可能であることはいうまでもない。例えば、上記の実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した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、上記実施形態の構成の一部について、他の構成の追加や削除、置換をすることが可能である。

【0093】

例えば、以上の実施形態では、リスク予測モデルを線形回帰モデルにより構成したが、リスク予測モデルは、例えば、他の種類の統計モデルや機械学習モデル（例えば、ＤＮＮ（Deep Neural Network））等により構成してもよい。

【0094】

上記の各構成、機能部、処理部、処理手段等は、それらの一部または全部を、例えば、集積回路で設計する等により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、実行することにより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、メモリやハードディスク、ＳＳＤ（Solid State Drive）等の記録装置、ＩＣカ
ード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。

【0095】

以上に説明した各情報処理装置の各種機能部、各種処理部、各種データベースの配置形態は一例に過ぎない。各種機能部、各種処理部、各種データベースの配置形態は、これらの装置が備えるハードウェアやソフトウェアの性能、処理効率、通信効率等の観点から最適な配置形態に変更し得る。

【0096】

前述した各種のデータを格納するデータベースの構成（スキーマ（Schema）等）は、リソースの効率的な利用、処理効率向上、アクセス効率向上、検索効率向上等の観点から柔軟に変更し得る。

【符号の説明】

【0097】

１ 疾病リスク予測システム、５ 通信ネットワーク、１０ 情報処理装置、１００ 疾病リスク予測装置、１０１ 歯科健診データ、１０２ レセプトデータ、１０３ 特定疾病マスタ、１０４ 診療点数マスタ、１０５ 歯科健診数値化データ、１０６ 特定疾病点数データ、１０７ 重回帰分析結果、１１０ 記憶部、１１１ リスク予測モデル、１１２ リスク予測結果、１１３ 疾病リスク提示画面、１２０ 情報取得管理部、１３０
学習データ生成部、１３１ 歯科健診データ数値化部、１３２ 特定疾病点数データ生成部、１４０ モデル生成部、１４１ 重回帰分析部、１４２ 説明変数選択部、１４３
モデル登録部、１５０ リスク予測部、１５１ 説明変数受付部、１５２ モデル適用部、１５３ 予測結果提示部、２００ 管理者装置、３００ 利用者装置、Ｓ１２００ リスク予測モデル生成処理、Ｓ１２１２ 歯科健診データ数値化処理、Ｓ１２１３ 特定疾病点数データ生成処理、Ｓ１７００ リスク予測処理、１８００ 疾病リスク提示画面

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】