도쿄 대학 의학부 부속 병원의 오사와 키키 씨, 캘리포니아 대학 로스앤젤레스 학교의 쓰가와 토모스케씨, 주식회사 미나케아의 야마모토 유우사씨, TXP Medical 주식회사의 고토 匡 계씨의 연구팀은, 의료 기관 진찰 데이터와 건강 진단 데이터 를 이용한 기계 학습 모델에 의해, 장래 고액 의료비가 필요한 환자의 예측이 가능한 것을 나타냈다.
2019년도 일본의 연간 의료비는 43.6조엔이 되어 3년 연속으로 과거 최고를 갱신.증대하는 의료비의 증가를 어떻게 막아낼지는 고령화가 진행되는 일본뿐만 아니라 선진국 공통의 문제이기도 하다.그러나 의료비 억제에 성공한 선진국은 거의 없으며, 현재도 많은 연구가 이루어지고 있다.효율적인 의료비 억제를 도모함에 있어서는, 특히 장래 의료비가 고액이 될 것으로 예상되는 집단에 대해서, 예방적인 의료 개입이 필요한 것이 시사되고 있지만, 이러한 집단을 정확하게 예측 하는 것은 쉽지 않았다.
그래서 연구팀은 헬스케어 벤처의 주식회사 미나케아가 보유한 의료기관 진찰 데이터 등으로부터, 장래 의료비가 고액이 될 것으로 예상되는 집단을 동정하는 기계 학습 예측 모델을 구축해, 그 정밀도에 대한 검증을 갔다.기계 학습은 인공 지능의 일종이며, 많은 데이터를 학습시킴으로써 종래의 예측 모델(로지스틱 회귀 모델 등)과 비교하여 보다 정확한 예측을 행하는 데 긴 것으로 알려져 있다.본 연구에서는 랜덤 포레스트나 신경망 등의 대표적인 기계 학습 모델을 사용했다.
연구 결과, 이 기계 학습 모델을 이용하는 것으로 장래 상위 5%의 고액 의료비 환자가 되는 리스크를 높은 정밀도로 예측하는(AUC치:0.84)가 가능하다는 것을 나타내고, 또, 예측 모델 를 구축함에 있어서, 종래의 예측 모델(로지스틱 회귀 모델)과 비교하여, 기계 학습 모델이 보다 유용한 것도 나타났다.
본 연구에 의해 개발된 기계 학습 예측 모델에 의해, 장래 의료비가 고액이 될 것으로 예상되는 집단을 사전에 동정할 수 있다고 생각되어, 보다 의료가 필요한 집단에 조기에 개입하는 것 따라서 의료비의 적성화와 효율적인 의료 제공을 실현할 수 있을 가능성이 있다.이번에 개발한 기계 학습 예측 모델은 보다 효율적인 의료를 실현하기 위한 서비스 개발과 건강 경영을 추진하기 위한 프로그램의 설계 등 다양한 장면에서의 활용을 기대할 수 있다.
