Recommended
More Related Content
Similar to 03_エピックス.pdf
Similar to 03_エピックス.pdf (20)
More from keiodig
More from keiodig (20)
03_エピックス.pdf
- 1. チーム名：Epics 菅原一輝（慶應義塾大学大学院健康マネジメント研究科）, 奥居潤（慶應義塾大学医学部 医学研究科 大学院） 概要 先行研究 予測モデル 結果 ビジネスモデルの提案 機械学習を用いた高医療費患者の予測に基づく 効率的かつ効果的な早期介入システム
- 2. Epics@keio.univ 11.0 16.5 23.9 34.1 49.8 100.0 0.0 10.0 20.0 30.0 40.0 50.0 60.0 70.0 80.0 90.0 100.0 0 10 20 30 40 50 60 70 80 90 100 累 積 医 療 費 割 合 ! % " 累積人口割合（%） 発症後5年間の総医療費集中度曲線 発症後5年間累積 均衡線 疾病発症後5年間の医療費総額上位10%に総医療費の約50%が集中 下位60%は医療費総額の20%も使用しておらず，医療資源の局所化が観察される 出典： 提供データを元にチームエピックス作成 発症後5年間は上位10%が 総医療費の約50%以上を占有 医療費下位60%が占める 割合は総医療費の20%未満
- 3. Epics@keio.univ 累積医療費でも医療費上位10%群のバジェットインパクトは大きい 継続的な視点で医療費の振る舞いを観察することが重要である 0 20 40 60 80 100 120 140 160 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 累 積 医 療 費 ! 十 億 " 累積人口割合（%） 発症1年後と発症後5年間の累積医療費 発症1年後 発症後5年間累積 出典： 提供データを元にチームエピックス作成 発症後5年間総医療費の Top10%が約645億円使用
- 6. Epics@keio.univ ハイリスク患者を予測するはずの特定健診は機能不全の予兆 特定保健指導の対象者になることと健康アウトカムの関連は一貫して認められないか，あるとしても僅か 論文 サンプル Y X 関連 識別戦略 Iizuka et a1 （2021）1 初回参加が 30-64歳の男女 43,960人 ①医療サービス利用 ②健康アウトカム 空腹時血糖 ≧126mg/dl ①増加 ②関連なし 回帰不連続デザイン (バンド幅10mg/dl) （2005-2014） Fukuma et al （2020）2 40-74歳男性 74,693人 ①肥満関連項目 ②心血管系項目 特定保健指導の 対象となること （ITT割付） ①医学的に有意 な関連なし ②関連なし 回帰不連続デザイン (バンド幅6cm) （2013-2018） 関沢ら（2020）3 健保組合委員 男性1,318人 10年間の循環器疾患 リスク, 腹囲, BMI, 収縮期血圧, HbA1c, LDL-C, HDL-C 特定保健指導の 対象となること 関連なし 回帰不連続デザイン （バンド幅Cattaneo et al., 2017に従う） （2013-2015）
- 7. Epics@keio.univ 特定健診・保健指導が健康アウトカムと関連しない理由 2020年度は22.7%と低い指導実施率であり, 実際には「保健指導の対象者になる」だけ 出典：厚生労働省『2020 年度特定健康診査・特定保健指導の実施状況について 』 （URL：https://www.mhlw.go.jp/content/12400000/000944742.pdf）
- 8. Epics@keio.univ Logistic回帰 (reference model) Lasso回帰 Random Forest 勾配Boosted Machine Neural Network Osawa et al （2020）4 ○ ○ ○ ○ ○ Luo et al （2020）5 ○ × ○ ○ × Kim & Park （2019）6 ○ × ○ × ○ Yang et al （2018）7 ○ ○ × ○ ○ Tamang et al （2017）8 ○ × × × × Note：当該予測モデルを使用した研究に○，そうでない研究に× 機械学習を用いてハイリスク患者を事前に予測する研究が進展 ロジスティック回帰, ランダムフォレスト，勾配決定木，ニューラルネットワークが主に用いられる
- 9. Epics@keio.univ アウトカムの時点 予測因子の時点 アウトカム Osawa et al （2020） 翌年度 前年度および2年前 年間医療費上位1, 5, 10%の患者か否か Luo et al （2020） 翌年 前年 COPD患者の年間医療費の 上位1, 5, 10%患者か否か Kim & Park （2019） 翌年 前年 年間医療費上位10%の患者か否か Yang et al （2018） 翌年 半年前 医療費（連続値） Tamang et al （2017） 翌年 前年 年間医療費上位10%の患者か否か 先行研究は次年度医療費の前年データでの予測に終止している 先行研究は年間医療費のコントロール，すなわち医療システムの管理が目的である
- 10. Epics@keio.univ アウトカムの時点 予測因子の時点 アウトカム Osawa et al （2020） 翌年度 前年度および2年前 年間医療費上位1, 5, 10%の患者か否か Luo et al （2020） 翌年 前年 COPD患者の年間医療費の 上位1, 5, 10%患者か否か Kim & Park （2019） 翌年 前年 年間医療費上位10%の患者か否か Yang et al （2018） 翌年 半年前 医療費（連続値） Tamang et al （2017） 翌年 前年 年間医療費上位10%の患者か否か 先行研究は次年度医療費の前年データでの予測に終止している 先行研究は年間医療費のコントロール，すなわち医療システムの管理が目的である 複数年に渡る継続的な医療費に関する 予測モデルは報告されていない
- 11. Epics@keio.univ ▶ 将来医療費の過小 / 過大評価が起こる3つのメカニズム（先行研究の限界） 01 前年医療費のみがたまたま高い患者集団には真にハイリスクな患者 が過小に含まれること（underrepresentation）による評価の歪み 02 比較的健康な（上位〜%患者でない）集団の異質性による， 医療費変動で説明できない選択的行動（モラルハザード等） 03 転職等によるサンプル・セレクション（データに追加される患者の 背景の偏り）による予測モデルの構築の際のノイズ 前年データのみのモデルは患者のリスクを過小 or 過大に評価する？ 健康な者とそうでない者をうまく識別する方法
- 12. Epics@keio.univ ハイリスク患者の臨床的背景として複数疾患と年齢が共通している 医療費の相対的な位置以外の観点から，ハイリスク患者を識別する研究が蓄積されつつある Study Method Characteristics Bilazarian （2021）9 23文献のConcept Analysis (a)複数の慢性疾患への罹患 （及び急性増悪） (b)フレイル高齢者 (c)行動障害等を持つ65歳未満の患者 Wammes et al （2018）10 55文献のSystematic Review (a)高い複数（慢性）疾患の有病率 (b)高い精神疾患の有病率 (c)高齢
- 13. Epics@keio.univ 予測モデルはNN以外の先行研究で用いられたものを使用 ロジスティック回帰をreferenceとし，先行研究でもっとも予測精度が高かった2モデルと比較 Logistic回帰 (reference model) Lasso回帰 Random Forest 勾配Boosted Machine Neural Network Osawa et al （2020） ○ ○ ○ ○ ○ Luo et al （2020） ○ × ○ ○ × Kim & Park （2019） ○ × ○ × ○ Yang et al （2018） ○ ○ × ○ ○ Tamang et al （2017） ○ × × × ×
- 14. Epics@keio.univ ▶ ランダムフォレストによる多重代入法の例 a11 NA … a1n a21 a22 : ： : am1 … … amn … X = BMI_NA other_than_BMI_NA BMI_obs other_than_BMI_obs 1. Y = BMI_obs, X = other_than BMI_obsとしてランダムフォレストでモデルを学習 2. 学習したモデルによりother_than_BMI_NAからBMI_NAを予測し行列Xを更新 3. 行列Xの全ての欠損値に対し上のプロセスを実行し，事前に設定した停止基準 （本研究ではイテレーション最大10回）に達するか，予測が安定するまで更新 BMI 連続値の欠損はランダムフォレストを用いた多重代入法で補完 二値変数の欠損は先行研究（Osawa et al, 2020）に基づき0で代入
- 15. Epics@keio.univ Cost level in year t 3 years top 10% 2 years top 10% in bottom 90% 3 years bottom 90% t - 1 t - 2 t - 3 top 10% top 10% top 10% top 10% top 10% bottom 90% top 10% bottom 90% bottom 90% 出典：van Kleef & van Vliet (2022)11 をもとにチームエピックス作成 新規性：複数年の医療費傾向, 及び疾患数を予測モデルに組み込む 一貫して比較的医療費が高い者と，そうでない者を識別することで予測精度を向上
- 16. Epics@keio.univ Outcome ・発症1年後の医療費 ・発症後5年間の医療費上位10% Sample 提供データにおける発症年齢が18歳以上の患者133,589人 Candidate of predictors 前年の年間医療費, 人口統計的因子（年齢, 性別, BMI）, 収縮期 / 拡張期血圧, 空腹時血糖, 薬剤使用［降圧剤, 血糖降下剤, 抗高脂血症剤］, 喫煙・飲酒・運動・歩行・睡眠・状況, 過去複数年の継続的な医療費ランク, 疾患数 Model Development 上述のアウトカムを用いて，教師データとテストデータを80/20の 割合でクロスバリデーションし，ROC曲線の描画及び そのAUC（Area Under the Curve）を算出することで予測精度を評価．
- 18. Epics@keio.univ リファレンスモデルのAUCはランダムフォレストが最高値 医療費ランクと疾患数を含まないモデルの結果は, 5年間をアウトカムとした場合に高い精度 ▶ Outcome : 5年間上位10% or not ▶ Outcome : 1年後上位10% or not
- 19. Epics@keio.univ 新モデルは全ての手法で精度が大きく向上 テストデータにおけるAUCの最大値は勾配決定木モデルの0.83であり，非常に高い分類精度 ▶ 従来モデル ( Outcome : 5年間上位10% or not ) ▶ 新モデル ( + 医療費ランク & 疾患数)
- 20. Epics@keio.univ 医療費ランク及び疾患数は予測における重要度が高い 予測精度が高かった両モデルにおいて, 新たに組み込んだ予測因子は高い寄与 ▶ ランダムフォレスト ▶ 勾配ブースティング決定木
- 23. Epics@keio.univ 1. Iizuka, T., Nishiyama, K., Chen, B., & Eggleston, K. (2021). False alarm? Estimating the marginal value of health signals. Journal of Public Economics, 195. h"ps://doi.org/10.1016/j.jpubeco.2021.104368 2. Fukuma, S., Iizuka, T., Ikenoue, T., & Tsugawa, Y. (2020). Association of the National Health Guidance Intervention for Obesity and Cardiovascular Risks with Health Outcomes among Japanese Men. JAMA Internal Medicine, 180(12), 1630–1637. https://doi.org/10.1001/jamainternmed.2020.4334 3. 関沢洋一, 木村もりよ, 縄田和満（2020）特定保健指導の積極的支援の対象となることはある健康保険組合の組合員の循環器疾患リスクの 減少につながったか？：回帰分断デザイン（RDD）による検証. 医療経済研究. http://ci.nii.ac.jp/naid/40022391014/ja/ 4. Osawa, I., Goto, T., Yamamoto, Y., & Tsugawa, Y. (2020). Machine-learning-based prediction models for high-need high-cost patients using nationwide clinical and claims data. Npj Digital Medicine, 3(1). https://doi.org/10.1038/s41746-020-00354-8 5. Luo, L., Li, J., Lian, S., Zeng, X., Sun, L., Li, C., … Zhang, W. (2020). Using machine learning approaches to predict high-cost chronic obstructive pulmonary disease patients in China. Health Informatics Journal, 26(3), 1577–1598. https://doi.org/10.1177/1460458219881335 6. Kim, Y. J., & Park, H. (2019). Improving Prediction of High-Cost Health Care Users with Medical Check-Up Data. Big Data, 7(3), 163–175. https://doi.org/10.1089/big.2018.0096 7. Yang, C., Delcher, C., Shenkman, E., & Ranka, S. (2018). Machine learning approaches for predicting high cost high need patient expenditures in health care 08 Information and Computing Sciences 0801 Artificial Intelligence and Image Processing. BioMedical Engineering Online, 17. https://doi.org/10.1186/s12938-018-0568-3 8. Tamang, S., Milstein, A., Sørensen, H. T., Pedersen, L., Mackey, L., Betterton, J. R., … Shah, N. (2017). Predicting patient “cost blooms” in Denmark: A longitudinal population-based study. BMJ Open, 7(1). https://doi.org/10.1136/bmjopen-2016-011580 9. Bilazarian, A. (2021). High-need high-cost patients: A Concept Analysis. Nursing Forum, 56(1), 127–133. https://doi.org/10.1111/nuf.12500
- 24. Epics@keio.univ 10. Wammes, J. J. G., Van Der Wees, P. J., Tanke, M. A. C., Westert, G. P., & Jeurissen, P. P. T. (2018). Systematic review of high-cost patients’ characteristics and healthcare utilisation. BMJ Open. BMJ Publishing Group. https://doi.org/10.1136/bmjopen-2018-023113 11. van Kleef, R. C., & van Vliet, R. C. J. A. (2022). How to deal with persistently low/high spenders in health plan payment systems? Health Economics (United Kingdom). https://doi.org/10.1002/hec.4477
- 28. Epics@keio.univ Top 10% Others p n 15178 136607 Sex = Male 58.7 63.7 <0.001 Age at diagnosis, mean (SD) 43.98 (13.31) 39.41 (14.27) <0.001 Number of Diseases, mean (SD) 1.35 (0.82) 1.22 (0.60) <0.001 Neoplasm 8.5 4.4 <0.001 CAD 8.3 7.9 0.079 CVD 5.9 5.1 <0.001 HTN 25.8 21.2 <0.001 DM 20.6 13.9 <0.001 Liver disease 28.5 33.9 <0.001 Kidney disease 7.1 9.3 <0.001 Pancreatic disease 2.0 2.0 0.937 高額医療費使用者は男性, 高齢者, 多くの併発疾患を持ち, 悪性腫瘍,DM,HTNが多く, 肝疾患・腎疾患が少ない傾向にある
- 29. Epics@keio.univ ハイリスク群の特徴の把握 高い精度で予測できた3 or 5年連続上位10%患者とそうでない患者の比較 3年連続上位10%群 Others 発症時年齢 41.16 39.83 女性割合 50% 36% BMI 23.88 23.84 収縮期血圧 123.05 123.82 拡張期血圧 74.46 75.55 空腹時血糖 95.56 94.18 喫煙 14% 18% 飲酒 10% 15% 運動 23% 29% 歩行 8% 10% 睡眠 11% 14% 降圧薬 1% 0.5% 血糖降下剤 1% 0.5% 抗高脂血症剤 8% 5%
- 30. Epics@keio.univ ハイリスク群の特徴の把握 高い精度で予測できた3 or 5年連続上位10%患者とそうでない患者の比較 上位10%群 Others 発症時年齢 41.16 39.83 女性割合 50% 36% BMI 23.88 23.84 収縮期血圧 123.05 123.82 拡張期血圧 74.46 75.55 空腹時血糖 95.56 94.18 喫煙 14% 18% 飲酒 10% 15% 運動 23% 29% 歩行 8% 10% 睡眠 11% 14% 降圧薬 1% 0.5% 血糖降下剤 1% 0.5% 抗高脂血症剤 8% 5% 医療費上位10%群は健康行動を 実践している患者割合が一貫して低い