特定健診および特定保健指導に関連するベイジアン
ネットワークの構築と評価
Construction and Evaluation of Bayesian Networks Related to
The Specific Health Checkup and Guidance
宮内義明
1橋本紀彦
2西村治彦
2Miyauchi Yoshiaki
1, Hashimoto Norihiko
2, and Nishimura Haruhiko
2 1名古屋市立大学大学院看護学研究科
1
Nagoya City University Graduate School of Nursing
2兵庫県立大学大学院応用情報科学研究科
2
University of Hyogo Graduate School of Applied Informatics
Abstract: Metabolic syndrome has become a significant problem worldwide, and health checkups and
guidance aimed at preventing this condition were initiated in 2008 in Japan. Through this guidance, people considered at high risk of developing metabolic syndrome are expected to be made aware of their own problems in terms of their daily lifestyle choices and to improve their daily life behaviors by themselves. To this end, the instructors should be able to supply satisfactory and evidence-based information for these subjects. In order to support this large undertaking from the point of information technology, we here introduce our novel ideas based on data mining technology using Bayesian networks. The Bayesian network has emerged in recent years as a powerful technique for handling uncertainty in complex domains, and it is expected to represent an appropriate method for the health checkup domain, where medical knowledge is required for the analysis of the results. In this study, we constructed Bayesian networks connecting the findings from a physical examination and questionnaire on daily lifestyle choices, and evaluated the relationship between them. We applied these network models to the field data of 5423 subjects. The proposed method was found to provide good performance, and its usefulness was revealed by evaluating the lev-el of change of the responses to the questionnaire.
1. はじめに
内臓脂肪型肥満に着目した内臓脂肪症候群（メタ ボリックシンドローム）に焦点を当て，生活習慣病 を予防することを目的とした特定健康診査および特 定保健指導（以降，特定健診）が平成20 年 4 月より 実施されている[1][2]．この特定健診が，国民に「疾 病予防」の重要性に対する理解の促進を図るものと なり，延いては「健康づくりの国民運動化」を推進 することを期待されている． 特定保健指導では，保健指導の対象者が自らの生 活習慣における課題に気づくように支援し，彼らが 健康的な生活習慣となるべく自身の生活習慣での行 動変容の方向性を自らが導き出せるように支援する ことが求められている．そのためには，保健指導の 対象者本人がまず自身の生活習慣上の問題点を十分 に納得することが必要で，保健指導者は対象者が納 得するに足り得る情報を提供することが必要である． 特定健診には次のような特徴がある．①健診データ で保健指導対象者を分類すること．②限られた時間 の中で問診データに重みを置いて対象者の生活習慣 を把握すること．③対象者に適した保健指導を積極 的に行うこと．したがって特定健診に関する研究は， 従来の健診データの研究方法の踏襲ではなく，特定 健診の枠組みにより密着した研究方法であるべきと 考える．するとそこから得られる知見は特定保健指 導で活用し易いものになるであろう． 更に，特定健診という健診制度は，今後も同じ枠 組みで続いていくものであり，「その人」という単位 で健診データと問診データ，および保健指導歴が 年々蓄積されていくことになる．よって特定健診に 関する研究は，このデータの蓄積に合わせて，蓄積 されていくデータをそのまま取り込むことで，より 精度が良くなるような研究方法であることが望まし医療情報学会・人工知能学会AIM合同研究会資料 SIG-AIMED-008-01
いと考える．データマイニング技術の一つであるベ イジアンネットワークは，このような年々蓄積され ていくデータに対して柔軟に対応でき，かつデータ の蓄積により精度の向上が見込める手法である[3-6]． そこで本研究では，特定健診で得られる検査データ と質問票データに対し，特定健診と特定保健指導の 枠組みを反映したベイジアンネットワークを構築し， 保健指導を行う上での有用な情報を提示出来るよう にすることを試みた．保健指導対象者にとって自分 自身の問題であって，自分のための解決方法である ことを実感できるような情報提供となることを目指 している．
2. 特定健診受診者の階層化
特定健診では受診者を検査データと質問票の喫煙 歴に基づいて積極的支援レベル，動機づけ支援レベ ル，情報提供レベル，及び保健指導対象外（情報提 供は行う）の4 段階に階層化し，それぞれ支援レベ ルに応じた保健指導（これを特定保健指導と呼ぶ） を行うことになっている．具体的な階層化の手順は 次の通りである[1]． ⚫ ステップ 1（内臓脂肪蓄積のリスク判定） 腹囲 男性 85cm 以上，女性 90cm 以上 →(1) 腹囲 (1)以外 かつ BMI≧25kg/m2 →(2) ⚫ ステップ 2（追加リスクの数の判定と特定保健指 導の対象者の選定） ①血圧高値 a 収縮期血圧 130mmHg 以上 又は b 拡張期血圧 85mmHg 以上 ②脂質異常 a 中性脂肪 150mg/dl 以上 又は b HDL コレステロール 40mg/dl 未満 ③血糖高値 a 空腹時血糖 100mg/dl 以上 又は b HbA1c（NGSP）5.6％以上 ④質問票 喫煙歴あり（①～③が 1 つ以上の場合） ⑤質問票 ①，②又は③の治療に係る薬剤を服用し ている者 →特定保健指導を義務としない ⚫ ステップ 3（保健指導レベルの分類） ステップ 1 が(1)の場合，①～④の追加リスクが 2 以上の対象者は 積極的支援レベル 1 の対象者は 動機付け支援レベル 0 の対象者は 情報提供レベル ステップ 1 が(2)の場合，①～④の追加リスクが 3 以上の対象者は 積極的支援レベル 1 又は 2 の対象者は 動機付け支援レベル 0 の対象者は 情報提供レベル ⚫ ステップ 4（特定保健指導における例外的対応等） 65 歳以上 75 歳未満の者は，積極的支援の対象 となった場合でも動機付け支援とする． 本研究では，某事業所において実施された健診を 2 年続けて受診した男性 5,423 名の質問票データと 検査データを分析対象とした．当該事業所は都市部 から山間部に至る広範囲での事業を行っており，業 務内容も事務系や現業系，技能系と多岐に渡ってい るため，受診者らの労働条件に大きな偏りはない． 健診データの具体的項目としては，特定健診での 受診者の階層化に用いる検査項目である腹囲，BMI， 空腹時血糖値，HbA1c，中性脂肪，HDL コレステロ ール，収縮期血圧及び拡張期血圧の検査値を検査デ ータとして扱った．一方，質問票データは生活習慣 に関わる質問票に対する回答を収集したものを扱っ ている．本研究で扱う質問票は，健康日本21 の取り 組みの一環として，当該事業所が検討・作成したも のであり，運動面，栄養面，生活面でそれぞれ12 問 ずつ計36 問の選択肢質問から構成されている．3. ベイジアンネットワークの構築
3.1 検査データの 2 値化による表現
従来のメタボリックシンドロームの因子分析の研 究報告[7][8]からも明らかなように，健診データでは， ①腹囲とBMI，②空腹時血糖と HbA1c，③中性脂肪 とHDL コレステロール，④収縮期血圧と拡張期血圧 という各ペアが因子としてメタボリック症候群に寄 与している．そこで健診データによる健康状態の表 現として，各因子の2 項目のいずれか一方，又は両 方が基準値外であれば１とし，両方とも基準値内で あれば0 とする，つまり論理和をとることで，健診 データを（体型，血糖，脂質，血圧）の（0000）状態 から（1111）状態までの 16 通りの 4 ビット表現によ って表すことができる．図1 に検査データの 2 値化 と16 状態の表現例を示す．本研究ではこの 16 状態 を受診者らの健康状態を表現するものとして用いた． 図1 検査データの 2 値化と 16 状態の例3.2 ベイジアンネットワークの構成
メタボリックシンドロームは日々の生活習慣によ ってその状況が左右されることから，生活習慣を捉 える質問票データと健康状態を示す検査データの相 互関係の把握が健診後の保健指導にとって大切であ る．よって，ベイジアンネットワークの構造として は，質問票データに基づくノードと検査データに基 づくノードを一つのネットワーク上で互いに結びつ けることが肝要である．本研究では特定健診の枠組 みに重点を置くという立場から，受診者分類の要で ある階層化による支援レベルを状態とするノードを 中心に評価できるようにネットワークを構築する． ベイジアンネットワークを構成するノードとして は，質問ノード群，検査ノード群，階層化ノード， 及び16 状態ノードの 4 種類が挙げられる．具体的に は，質問ノード群は全36 問の質問ノード（Q1～Q36） で 構 成 し ， 検 査 ノ ー ド 群 は 腹 囲 ノ ー ド （Waist circumference），BMI ノード，空腹時血糖 ノード （Glucose ）， HbA1c ノ ー ド ， 中 性 脂 肪 ノ ー ド （Triglyceride），HDL コレステロールノード（HDL）， 収縮期血圧ノード（SBP），拡張期血圧ノード（DBP） の8 ノードで構成する． 図2 に検査ノード「腹囲」を示す．健診判定基準 値85cm 以上（out of RV と表示）と 85cm 未満（in RV と表示）の2 状態で表わされている．図中の数値 59.4 は状態in RV の確率（百分率で表示）であり，59.4％ の人数が状態in RV に属していることを表している． 数値右横のグラフは数値の大きさを表している． 図3 は質問ノード「Q1」の例であり，質問に対す る回答のポイント1 点（最も悪い）～5 点（もっと も良い）の5 状態が表されている．例えば Q1 の質 問でポイントが3 点の確率は 37.9％であることが分 かる．最下段にはポイントの平均値2.75±1.1 点が表 示されている． 図4 は階層化ノード（Stratification）であり，階層 化による4 つの支援レベルである積極的支援レベル （positive sup），動機づけ支援レベル（motivation sup）， 情報提供レベル（info prov），保健指導対象外（no need） の4 状態に分類されている．例えば積極的支援レベ ルの確率は24.9％であり，受診者の 24.9％が積極的 支援レベルに階層化されていることを示している． 図5 は 16 状態ノード（16_conditions）であり，3.1 節で提案した受診者の健康状態（体型，血糖，脂質， 血圧）を，（0000）状態から（1111）状態までの 16 通 りで分類している．例えば最も良い健康状態である （0000）状態の確率は 28.2％であり，受診者の 28.2％ が体型，血糖，脂質，血圧の4 因子全て基準値内で あることを示している． これらのノードによる全体のネットワーク構成が 図6 である．本研究では，これを特定健診対応ベイ ジアンネットワークと呼ぶ．左の36 個のノードが質 問ノード，右上が16 状態ノード，右下の 8 個のノー ドが検査ノード，それらの間が階層化ノードであり， 階層化ノードを挟む形で全てのノードが互いに結び ついている．質問ノードと検査ノードは，階層化ノ ードと 16 状態ノードを介して互いに影響しあう構 造である．本研究では，このように特定健診の枠組 みとデータ構造に対応したベイジアンネットワーク を構築した． 図2 検査ノード「腹囲」 図3 質問ノード「Q1」 図4 階層化ノード 図5 16 状態ノード 図6 特定健診対応ベイジアンネットワーク4. ベイジアンネットワークの評価
前節で構築したベイジアンネットワーク上で，検 査ノードの状態を変更（健診判定基準値の内外に設 定）することや，質問ノードの状態を変更（良い状 態または悪い状態に設定）することで，全体的なリ スク変化について調べたり，各受診者の個別事例に 対するリスク評価を行ったりすることが可能となる． 本研究で用いたベイジアンネットワーク構築ソフ トウェアNetica ではノード内の状態を指定（クリッ ク）することでそのノードの状態を設定することが 出来る[9]．図 7 は質問ノードの Q1 ノードに対し， ポイントを4 点に設定したところを示している．設 定前に 19.9％だったポイント 4 点の状態確率が 100％に変化している（ノード色の暗色化は状態を設 定したことを示している）．それを受けて Q1 以外の 全体のノードの確率分布が再計算され変化する． 図7 ノードの状態を設定した時の変化「Q1」4.1 質問ノードの設定によるリスク評価
図8 は質問票の回答が全て良い（質問ノードを全 て4 点以上に設定した）場合の男性のベイジアンネ ットワークである．図9 はこのケースでの階層化ノ ードの変化を示したものである．このケースでは保 健指導対象外が大きく増加（57.1→94.8％）している ことがわかる．一方，他の支援レベルは軒並み減少 している．特に積極的支援レベルの減少（24.9→ 0.10％）は顕著である．これらは，受診者の生活習慣 を問う質問票の回答が全て良ければ，階層化の最も 良い状態である保健指導対象外になる確率が非常に 高く，積極的支援レベルには殆どならないことを示 している．これは，生活習慣が良くなれば，健康状 態も良くなるという生活習慣病の考え方に整合する． 図8 質問ノードを全て 4 点以上に設定した状態 図9 図 8 のケースでの階層化ノードの変化4.2 個別事例を用いたリスク評価
ある受診者 A は 57 歳の男性で，検査データの HbA1c と HDL 以外の 6 項目が健診判定基準値外の 積極的支援レベルであり，16 状態の表現では（1111） 状態であった．図10 は受診者 A の質問票データを 特定健診対応ベイジアンネットワークに設定したも のである．その結果，階層化ノードのpositive sup に 示されるように，積極的支援レベルに分類されるリ スクが59.7％も存在していた． 受診者A は運動面の質問の内 Q5，Q7，Q8 でポイ ントが最小になる回答をしていた．Q5，Q7，Q8 の 質問内容は次の通りである． Q5：あなたはラジオ体操やストレッチ体操，ヨガ などをどのくらい行っていますか． Q7：あなたは腕や脚，背，腹などの筋力トレーニ ングをどのくらい行っていますか． Q8：あなたはフィットネスクラブやスイミングス クールなどの運動施設をどのくらい利用して いますか． 受診者A はこれら 3 問に全て「行っていない」（1 点）と回答していたが，ここで受診者A が生活習慣 を改善してこれら 3 問の回答ポイントが 1→4 点と なったと仮定し，ベイジアンネットワークのQ5，Q7， Q8 の 3 つのノードを 4 点に設定変更する．すると， ベイジアンネットワークの階層化ノードは図 11 の ように変化し，積極的支援レベルの確率が59.7％か ら17.2％に減少していることがわかる．すなわち， 受診者A が運動面に関する 3 つの生活習慣を改善す ることで，積極的支援レベルに判定される確率が 3 分の1 以下になるということを示している． また，図12 にはこのケースでの 16 状態ノードの 変化を示している．これを見ると，受診者A が（1111） 状態に留まる確率は 24.3％から 8.43％に減少し， （0111）状態や（0101）状態に改善する確率が（1111） にとどまる確率を大きく超えて増加している．この ようにベイジアンネットワークでシミュレートする ことで，受診者A にとってこれら 3 つの生活習慣の 改善は効果的であることが分かる． 特定健診対応ベイジアンネットワークを用いたこ のような検討を，保健指導の場で指導者と受診者が 共に行うことが，受診者らの行動変容を引き起こす 有効な手段になると期待される．図10 受診者 A の質問票データを設定した状態 図11 Q5，Q7，Q8 を 1→4 点にした時の階層化 ノードの変化 図12 Q5，Q7，Q8 を 1→4 点にした時の 16 状態 ノードの変化
5. おわりに
特定健診では特定保健指導により，指導対象者の 生活習慣に行動変容を促し，それを改善することに よって健康状態をより良いものにすることを目指し ている．そのためには指導対象者の生活習慣を当人 と保健指導者が共に把握する必要がある．本研究で 構築した特定健診対応ベイジアンネットワークは， 様々な生活習慣改善シミュレーションを容易に行う ことができるので，指導ツールとして有用であると 考える．しかし，今回用いた健診データではデータ 数が不足する16 状態があり，実用上有効な統計精度 （信頼性）を確保できていない健康状態のケースも あった．そこで今後はデータ数を増強し，信頼性を 確保した上で，実地応用へとつなげていきたい．謝辞
本研究の一部は，日本学術振興会学術研究助成基 金助成金（17K01820）の支援を受けて行ったもので ある．参考文献
[１] 厚生労働省健康局: 標準的な健診・保健指導プログラ ム【平成30 年度版】, 2018. [２] 厚生労働省保険局: 特定健康診査・特定保健指導の円 滑な実施に向けた手引き（第3 版）, 2018.[３] H. S. Park and S. B. Cho: An Efficient Attribute Ordering Optimization in Bayesian Networks for Prognostic Modeling of the Metabolic Syndrome, ICIC2006, LNBI4115, pp.381-391, Springer-Verlag, 2006.
[４] J. Gamez, S. Moral and A. Salmeron (Eds.): Advances in Bayesian Networks, Springer-Verlag, 2004.
[５] I. Maglogiannis, E. Zafiropoulos, A. platis and C. Lambrinoudakis: Risk analysis of a patient monitoring system using Baysian Network modeling, Journal of Biomedical informatics, Vol.39, No.6, pp.637-647, 2006. [６] S. M. Lee and P. A. Abbott: Bayesian Network for
Knowledge Discovery in Large Datasets ， Joumal of Biomedical informatics, pp.389-399, 2003.
[７] B. Shen, J. F. Todaro, R. Niaura, J. M. McCaffery, J. Zhang, A. Spiro III and K. D. Ward: Are Metabolic Risk Factors One Unified Syndrome? Modeling the Structure of the Metabolic Syndrome X, American Journal of Epidemiology, vol.157, pp.701-711, 2003.
[８] S. Shah, S. Novak and L. M. Stapleton: Evaluation and Comparison of Models of Metabolic Syndrome Using Confirmatory Factor Analysis, European Journal of Epidemiology, vol.21, pp.343-349, 2006.
[９] Netica User's Guide, http://www.norsys.com/, Application for Belief Network and Influence Diagrams.
