| 研究課題/領域番号 |
23K24586
|
|---|
| 補助金の研究課題番号 |
22H03328 (2022-2023)
|
|---|
| 研究種目 |
基盤研究(B)
|
| 配分区分 | 基金 (2024)
補助金 (2022-2023) |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分58010:医療管理学および医療系社会学関連
|
|---|
| 研究機関 | 福岡県保健環境研究所 |
|---|
研究代表者 |
西 巧 福岡県保健環境研究所, その他部局等, 研究員 (20760739)
|
|---|
| 研究分担者 |
前田 俊樹 福岡大学, 医学部, 准教授 (50555555)
今任 拓也 福岡大学, 薬学部, 講師 (20368989)
松本 晃太郎 九州大学, 医学研究院, 助教 (60932217)
|
|---|
| 研究期間 (年度) |
2024-04-01 – 2026-03-31
|
| 研究課題ステータス |
交付 (2024年度)
|
| 配分額 *注記 |
17,290千円 (直接経費: 13,300千円、間接経費: 3,990千円)
2025年度: 4,030千円 (直接経費: 3,100千円、間接経費: 930千円)
2024年度: 3,640千円 (直接経費: 2,800千円、間接経費: 840千円)
2023年度: 4,290千円 (直接経費: 3,300千円、間接経費: 990千円)
2022年度: 5,330千円 (直接経費: 4,100千円、間接経費: 1,230千円)
|
|---|
| キーワード | レセプトデータ / GIS / 国保データベース（KDB） / 統計的機械学習 / 熱中症患者数 |
|---|
| 研究開始時の研究の概要 |
超高齢化社会の到来による社会保障制度の持続可能性に対する脅威のみならず、気候変動による暑熱・異常気象等の問題によって、経済・社会活動の持続可能性が大きな脅威に晒されている。これらの両者に対応するためには、保健医療情報と気象情報等の収集と分析が必要不可欠である。しかしながら、小地域レベルでこれらの情報を統合した利活用可能な情報基盤は存在しない。
そこで、本研究は保健医療介護縦断データベースとGISの連携により、気象要因と居住地周辺の建造環境を統合した保健医療介護情報基盤を構築し、統計的機械学習の手法を用いることで、個人要因と環境要因が疾患の発症・予後に与える複合的な影響を明らかにする。
|
| 研究実績の概要 |
2024年度は、社会経済的環境のデータベースへの追加・統合を行い、特定健診受診者の個人の要因と居住地域の社会経済的環境が心血管イベントによる入院に与える影響を評価した。
統計ソフトRのsfパッケージ等を用いて、e-StatのAPIを用いて取得した2015年の国勢調査小地域データから、地理的剥奪指標（Areal Deprivation Index: ADI）を算出した。なお、算出方法が正確であることを担保するために2010年の国勢調査市町村別データからADIを算出し、開発者が報告書に記載している値と一致することを確認した。また、小地域の情報がない母子世帯割合については、小地域の母子・父子世帯数（核家族世帯数-夫婦のみの世帯数-夫婦と子どもから成る世帯数）に市町村別の母子・父性世帯の比率（女親と子供から成る世帯/男親と子供から成る世帯+女親と子供から成る世帯）を乗じて推計を行った。このデータに2015年度の郵便番号境界のポリゴンデータの重心座標を重ね、その地点が含まれる小地域のADIを連結した。
2015年度以降の特定健診受診者を追跡し、急性心筋梗塞、脳卒中、心房細動・粗動による入院予測モデルを構築した。受診者を正常、保健指導域、要医療域の3つのリスク階層に層別した。まず、COX比例ハザードモデルにより、ADIの5分位と入院との関連についての検討を行ったところ、いずれの層においても関連が見られない、あるいは高ADI地域で入院リスクが低いという当初の想定とは逆の結果が得られた。そこで、全死亡を目的変数として同様の解析を行ったところ、高ADI地域で死亡リスクが高く、入院イベントの定義等に問題がある可能性が考えられた。
|
| 現在までの達成度 |
現在までの達成度
3: やや遅れている
理由
昨年度の実績の通り、アウトカムの定義等に問題がある可能性が考えられ、統計的機械学習モデルを用いた解析まで行えていないため、やや遅れていると考える。
|
| 今後の研究の推進方策 |
2013～2024年度の急性心筋梗塞、脳卒中、心房細動・粗動による入院患者を対象とし、死亡予測モデルの構築を行う。院内死亡、入院後1年以内の死亡を目的変数とし、入院時の処置・手術、併存疾患変数のみを投入したモデル、気象要因と建造環境と相互作用を追加したモデル、2014年度以降に入院した者に限定し、前年度のレセプトデータから作成した受診歴の変数を追加したモデルを作成する。さらに、特定健診受診者に限定した解析も行う。
両年度とも、従来の一般化線形モデルに加え、統計的機械学習の手法である、スパース回帰モデル、ランダムフォレスト、勾配ブースティング(XGBoost)を用い、予測精度の評価指標はROC曲線下面積（AUC）を用いる。さらに、SHAP値により変数重要度を可視化することで、解釈可能なものとする。
|
