1. 健診データへのクラスタリングの適用

2. 自己紹介
ID：dichika
九州の大分出身（高校まで大分）
医師（診療はやってない）
統計は外部に解析を委託して、出てきた結果の解釈
だけやっていた
⇒意図を明確につたえきれないこともあり調整に手間
取る
⇒自分でやった方が融通もきくし速い
⇒ということでRを使い始めた（まだ半年くらい）

3. 普段の仕事⇒保健事業コンサルティング
お客様⇒健康保険組合
扱うデータ⇒健診データ
ニーズ⇒健康課題を抽出して対策を考えたい
実は健診データが有効活用されるようになったのは最近の話（2年くらい？）
それまでは受けたら受けっぱなしで電子化されることもなく当然DBが構築さ
れることもなくデータは散逸していた

4. ちなみに…
健診⇒総合的にからだの健康状態をみる
（例：学童健診、定期健診）
検診⇒特定の病気の発見を目的としている
（例：乳がん検診、子宮がん検診）
健診を制度化しているのは日本くらいなもの
（外国の人間にいわせるとクレイジー）
－3－

5. 健診データから健康課題を抽出する
ターゲットとなる病気の決定
状況確認
顧客のニーズ（どこから対策を打つか）とのすり合わせ
ニーズを一歩進める
対策立案へ

6. 健診データから健康課題を抽出する⇒今回の例
ターゲットとなる病気の決定
生活習慣病
状況確認
健診データ
顧客のニーズ（どこから対策を打つか）とのすり合わせ
メタボ
ニーズを一歩進める
非メタボ⇒メタボ
対策立案へ

7. １．ターゲットとなる病気の決定
病気といっても色々あるのでまずはターゲットを決める。
今回は国から対策を求められている病気として、生活
習慣病をとりあげる。
生活習慣病とは…
•いわゆる不健康な生活が原因になって起きる病気の総称
•心筋梗塞とか糖尿病とか高血圧症とかが代表的。
•検査値だけ高くて自覚症状がないのが共通する特徴。
•メタボは生活習慣病の一部をとりだしたもの。

8. ２．生活習慣病の状況確認
実は国の制度により仕様が決まっているのでまずは仕様に
従って層別化する。
下に面積比グラフを示した。
⇒これは単純集計作業
非肥満 肥満
判定項目
異常値なし
判定項目
異常値あり
医療機関受診中

9. 判定項目とは
国の仕様に定められている判定項目は以下の通り。
血圧項目⇒収縮期血圧（血圧上）、拡張期血圧（血圧下）
血糖項目⇒空腹時血糖、HbA1c
脂質項目⇒HDLコレステロール、中性脂肪
※喫煙も本来の仕様には含まれているが今回は簡単のために
割愛している。
－8－

10. ３．顧客の関心はメタボにあり
肥満かつ異常値をもつ者で通院していない者（メタボ）には
減量指導を行うことが制度として定められている。
⇒つまり、顧客の関心はメタボが中心。
非肥満 肥満 減量指導を行う
判定項目
異常値なし
判定項目
異常値あり
医療機関受診中

11. ４．メタボ周辺の状況を知りたい
もう一段階進んだ興味として、今メタボではないが翌年メタボに
なりそうな人を抽出したい。
⇒やり方は色々あるが、傾向をざっとつかめる、手間がかから
ない、という点からクラスタリングを実施
非肥満 肥満
どんな人が
メタボになるか？
判定項目
異常値なし
判定項目
異常値あり
医療機関受診中

12. ５．非メタボ⇒メタボとなった人をクラスタリング
例として４０代男性で昨年は非メタボだったが今年はメタボに
なった人間をクラスタリングしてみる。
用いたデータは40代男性で現在医療機関を受診していない361人の健診データ。
判定項目以外に、年齢、BMI、LDLコレステロール、肝機能項目（GOT、GPT、γGTP）を加えている。
K平均法を用いて5群に分け、各群の中央値を検討する。
#データ読み込み
df <- read.csv("m40.csv", header=T)
#K平均法
km <-kmeans(scale(df),5)
#5群それぞれの中央値を求め、人数と合わせる
median <- cbind(round(aggregate(df, list(km$cluster),median),1), km$size)
#出力
write.csv(median,"median.csv")

13. ７．クラスタリングした5群の性質をみていく
各値を標準化したグラフを下に示す。
中性脂 空腹時
番号 年齢 BMI 血圧上 血圧下 HDL HbA1c LDL GOT GPT γGTP 人数
肪 血糖
1 46 25.6 126 77 321 44.1 95 5 130.5 23 41.5 51.5 12
2 44 25.2 119 78 156 52 98 5.2 123 27 38 79 45
3 46 24.3 116.5 73 109.5 65.5 99 5 114 30 67 340 4
4 43 23 114 72 116 53 91 5 138 19 21 30 141
5 43 21.6 114 72 70 64 91 4.9 102 19 18 25 159
1 2 3 4 5
2
1.5
1
0.5
0
age bmi sbp dbp tg hdl fbg hba1c ldl got gpt ggtp
-0.5
-1
-1.5
-2

14. ７．ボーダーライン層
たまたま今年メタボじゃなかっただけという人々。こういう層は減量指導の対象に含める。
中性脂 空腹時
番号 年齢 BMI 血圧上 血圧下 HDL HbA1c LDL GOT GPT γGTP 人数
肪 血糖
1 46 25.6 126 77 321 44.1 95 5 130.5 23 41.5 51.5 12
2 44 25.2 119 78 156 52 98 5.2 123 27 38 79 45
3 46 24.3 116.5 73 109.5 65.5 99 5 114 30 67 340 4
4 43 23 114 72 116 53 91 5 138 19 21 30 141
5 43 21.6 114 72 70 64 91 4.9 102 19 18 25 159
1 2
2
1.5
1
0.5
0
age bmi sbp dbp tg hdl fbg hba1c ldl got gpt ggtp
-0.5
-1
-1.5
-2

15. ７．酒飲み層
中性脂肪のわりにγGTPが高い。
中性脂 空腹時
番号 年齢 BMI 血圧上 血圧下 HDL HbA1c LDL GOT GPT γGTP 人数
肪 血糖
1 46 25.6 126 77 321 44.1 95 5 130.5 23 41.5 51.5 12
2 44 25.2 119 78 156 52 98 5.2 123 27 38 79 45
3 46 24.3 116.5 73 109.5 65.5 99 5 114 30 67 340 4
4 43 23 114 72 116 53 91 5 138 19 21 30 141
5 43 21.6 114 72 70 64 91 4.9 102 19 18 25 159
3
2
1.5
1
0.5
0
age bmi sbp dbp tg hdl fbg hba1c ldl got gpt ggtp
-0.5
-1
-1.5
-2

16. ７．悪玉コレステロール高値層とほぼ正常層
HDLコレステロールは善玉コレステロール。低いほど悪い。
LDLコレステロールはいわゆる悪玉コレステロール。
中性脂 空腹時
番号 年齢 BMI 血圧上 血圧下 HDL HbA1c LDL GOT GPT γGTP 人数
肪 血糖
1 46 25.6 126 77 321 44.1 95 5 130.5 23 41.5 51.5 12
2 44 25.2 119 78 156 52 98 5.2 123 27 38 79 45
3 46 24.3 116.5 73 109.5 65.5 99 5 114 30 67 340 4
4 43 23 114 72 116 53 91 5 138 19 21 30 141
5 43 21.6 114 72 70 64 91 4.9 102 19 18 25 159
4 5
2
1.5
1
0.5
0
age bmi sbp dbp tg hdl fbg hba1c ldl got gpt ggtp
-0.5
-1
-1.5
-2

17. ８．最後にー今後の展開
• リスク移行率が高いクラスターへの対策立案
• 他の年度において同様の傾向があるかの検討
• 翌年のリスク移行予測 等