今日はお休み。代わりに働くのは・・・

ゴールデンウイークは新たな取り組みをしている。ディープラーニングによるブログ記述で・・・　このような記事作成も考える。この内容は、それは基本関係を考えるに、このようなデータを見ても、分析結果の記事を読んだ。あると思うのだが、看護必要度の評価（2016年度のデータを分かり、そして、地域包括ケア病棟の診療報酬を設定したように、病院のためにしてみた。その上で、グラフを作った。そこから読めていたことは、病院のための多くにあるが、このようなこともある。
先日、薬局については、入院医療の質向上による分析結果を参考にすれば、分析時も、この病院の、あくまでも機能を評価されるように、病院のシステムを比べ、そのような大学ではないようなものか。人口動態について分析している。大学病院はないようだ。医療機関の経営的には、医療構成のグラフのサイトもある。

意味不明な文章だ。この赤茶色になっている文章は、弊社のブログと執筆記事を学習させ、自動生成したものだ。それっぽい単語が出てくるのは、自分の文章のくせを学んだ結果、ということになる。

ちなみに「てにをは」の修正や意味不明な単語・文の除去等、最低限の手は入れている。「それ」「そのような」「このような」等のような言葉が多いのは、自分のくせと思われる。

休みの日には、人間の代わりに人工知能が・・・というわけにはいかないだろうと思っているが、この程度であれば簡単にプログラムを組める（ライブラリを呼び出しているだけ）現状があることを考えると、そんなに非現実的では無いように思う。

医療機関、全部プロットしてみた！

病床数と届出項目数の関係。病床数が多ければ、届出の項目数も多い。当然か。

各厚生局 2018年4月12日時点の情報を基に作成

でも、このグラフだけでも、50度くらいの角度で右上に伸びる線と、15度くらいの低めに伸びる線があるように見える。これは機能の違いを表しているわけだが、それぞれで、あまりにも少ない・多いところはなぜ？と考えると、新しい情報が得られるように思っている。

地域包括ケア病床はまだ増えるのか ～「地域」と「機能」から伸びしろを探ってみた～

CBnewsに地域包括ケア病床をテーマにした記事を掲載いただいた。

地域包括ケア病床はまだ増えるのか - CBnewsマネジメント

4月中旬に組んでいたプログラムを用いて、データ提出加算の届出状況などの分析結果を織り交ぜてみた。（新しい分析内容なので、誤りや疑問点があったらご指摘いただけるとありがたいです・・・）

記事で試みたこと・述べたことは大きく2点。地域包括ケア病床の届出状況について、少し変わった視点での地域性を見た。さらに、地域包括ケア病床とデータ提出加算の届出状況について、病院の機能・特性によって分類した視点での特性を見た。

何かしら参考にしていただけるものがあれば幸いだ。

バグ修正。禍を転じて福と為す？

昨日掲載した分析のグラフ。残念ながら、システムにバグがあり、若干数値がずれてしまっていた（本当に少しなのだが、個別医療機関で見ると、あり・なし、の違いがあるので、大問題）。バグ修正にかなり時間がかかってしまった・・・。

でも、バグを直しながら、改良をはかり、データ前処理をほぼシステムで処理できるようになった。（厚生局からダウンロードして、指定のフォルダにファイルを置くところだけはシステム化してない）

とは言っても、まだバグがあるかもしれないが、分析結果をいくつか。

まず、昨日の病棟薬剤業務実施加算の修正版。

次に、医療安全対策加算。一般病棟がないところは届出割合が低い。

認知症ケア加算。届出の内容が１か2は区別していない。一般病床を持っているところでは、病床数が多いところほど届出割合が高い。逆に一般病床を持っていないところは、200床以上で届出割合が低い。一般病床のありなしで傾向が逆転しているのが特徴的だ。

また、クリニックについても同様に分析が可能に。

医療機関個別の算定件数は分からないが、届出ならわかる。この特徴を活かして、レコメンデーションシステム以外に何かできないか。これはゴールデンウイークの宿題かな。

副産物の方が興味深い？？

AIを使った届出項目のレコメンデーションシステムの改良を行った。学習させるデータを、47都道府県に拡張、および、病床数などのデータを補完していた。

気がついたら、全都道府県分の届出項目が整理できていた。参考までに、病棟薬剤業務実施加算の届出状況を見てみた。一般病床がある病院を分母に、そのうち届出をしていた病院を分子に、届出施設割合を算出した。

以下の各グラフは、厚生局の直近の届出資料、および第2回NDBデータを用いて分析している。（いずれのグラフもクリックすると拡大する）

まず、病床規模別（総病床数）。想定通りの結果だ。病床規模が大きいところほど取り組みが充実している。「病棟数が多いから届出が難しい」と言うところもあるが、500床以上では、届出していない方が少数派だ。

次に都道府県別に見ると、かなり地域差がある。ただし、上のグラフのとおり、病床規模別に比較すべきなのは重々承知。その上で、青森、福島、山梨、鳥取、佐賀あたりが低いと言えるかも。

今回のデータ整備・処理システムに問題はないか確認するため、第2回NDBデータの病棟薬剤業務実施加算の算定件数（2015年4月～2016年3月）を分子に、直近の一般病床数を分母に算出した100床あたりの算定件数を横軸に、上のグラフの加算１と加算２の施設割合の単純合算値を縦軸に、それぞれ設定し、散布図を書いた。

おー、そこそこ相関関係が見られる。タイムラグがあるし、施設数が多ければ算定件数が多いと単純には言い切れないので、このくらいのばらつきは想定の範囲内。今構築しているシステムに、致命的なミスはないのでは・・・。

なお、まだ、システムを精査中なので、上のグラフはご参考ということでお許しを。

元青葉区民・・・と言っても仙台ですが

青葉区？？　元青葉区民だが、それは仙台市青葉区であって、ニュースの青葉区は横浜市。平均寿命の話題で横浜・青葉区や川崎・麻生区といった地名がニュースに。

平均寿命１位、男性は横浜・青葉区…前回８位 : 社会 : 読売新聞（YOMIURI ONLINE）

e-Statのデータ（生命表 市区町村別生命表 平成27年市区町村別生命表 年次 | 政府統計の総合窓口）を用いて、男性と女性、市区町村別の平均寿命を地図にプロットしてみた。

男性の平均寿命
出所：平成27年市区町村別生命表

女性の平均寿命
出所：平成27年市区町村別生命表

基となるデータがしっかりしていれば、このようなグラフは、ほんのわずかな時間で作成できる。素晴らしい。

なお、男女で塗り分けの年齢のレンジは異なる。ゆえに男女間で色の濃さの印象が若干異なる。しかし、これに深い意味はない。単にレンジの設定の試行錯誤が足らず、ざっくり設定したことが原因。

オススメされる意味があるか考えてはいけない ～医科届出項目レコメンデーションシステム～

冬休みの宿題、片付けた！！（いまさら？？）

自院の届出内容から「似た病院はこんなものを届け出ていますよ」というレコメンデーションシステムを組んでいた。12月末から試行錯誤していたプログラム、とりあえず結果を出力できるようにした。（ずっと作業していたわけでなく、冬休みから今週まで、まるまる3ヶ月寝かせていただけだが・・・）

まだ出力結果には微妙な項目もあるのだが、これからの改善余地ということで甘めに見ていただきたい。参考までにつぎの8つの分析事例を紹介する。いい雰囲気なのでは？？と自画自賛。下の結果は、実際の病院を選び、その届出内容から、「今届け出ている項目以外に、他にこれらの項目を届け出てみてはいかがですか？」と候補で挙げられたものだ。右の数値は大きいほど「オススメ」と考えてほしい。


１．急性期 200床前後

２．急性期 400床前後

３．急性期 500床前後

４．大学病院

５．療養病院

６．精神科病院

７．産婦人科クリニック

８．眼科クリニック

余談だが、こんなシステム要るか？？という率直な疑問は常に残る。あくまでもデータ解析技術の向上が目的なので、意味があるかどうかは気にする必要ない。・・・でも意外と興味深い結果が得られるので、今後は、暇を見ながら、学習データの増強とロジックの見直しをしていこうと思う。

プログラム言語の学習ついでに・・・

2017→2018年度の機能評価係数Ⅱの変動（2017年度の暫定調整係数と2018年度の激変緩和係数を加味した変動）について、分析していた。
ロジスティック回帰分析を行うために、「0.5%以上増加した病院」と「0.5%未満の増加、もしくは減少した病院」の2グループに分けた。

オッズ比が1より大きければ、0.5%以上増加した病院になる割合が高いことを意味している。説明変数には2017年度の重症度係数、後発医薬品係数、暫定調整係数と、地域包括ケア、回リハ、療養の各病床の有無（あり：１、なし：０と定義）して分析した。なお重症度係数などの係数の値には正規化に近い処理を簡易に加えてある。

論文などではないので、厳密な分析でないことを承知おきいただいた上で、ざっくりとした結果だけ示すと、こんな感じ。

機能評価係数IIの変動のオッズ比

（正直言うと、ただpythonでグラフを書きたかっただけです）

信頼区間が微妙なのは、まぁ仕方ないとして、重症度係数や暫定調整係数が高ければ、機能評価係数Ⅱはあまり増えず、地域包括ケア病床を持っていれば、機能評価係数IIが増えたことが示唆される。

Rやpythonで分析すると、本当に楽だなぁと思いながらも、統計の知識がさっぱり消えてしまったので、その記憶を思い出すことに時間がかかってしまい、トータルでは結構な時間が・・・。学生時代、もう少し真面目に勉強しておけば良かったと反省。

なお、この内容について、単純で分かりやすい分析結果と、ストーリーで整理したものをCBnewsに寄稿したので、よろしければそちらをお読みいただきたい。

後発医薬品使用割合と所得の関係

数日前のニュース。

厚労省、後発薬普及へ重点10地域　東京・徳島など今夏にも指定　医療費抑制テコ入れ　：日本経済新聞

ちなみに、後発医薬品の使用率は、所得との関係性が見られる・・・というデータを示す。所得は厚生労働省の「平成29年賃金構造基本統計調査」、後発医薬品使用割合は同じく厚生労働省の「最近の調剤医療費（電算処理分）の動向（平成29年度9月分）」。

まず、金額ベースのものから。都道府県名は見づらいが、グラフをクリックすると拡大するので、少しはマシに。なお、所得は賃金構造基本統計調査の決まって支給する現金給与額の12倍に年間賞与その他特別給与額を加えたものを、年間給与額としている。

出所： 厚生労働省　平成29年賃金構造基本統計調査、
最近の調剤医療費（電算処理分）の動向（平成29年度9月分）を基に分析
以降のグラフも同じ

次に数量ベース。

さらに内訳で、病院と診療所を見た。特に、金額ベースの診療所の相関係数は-0.67と強めの相関が見られた。

ここで、所得が高い地域で後発医薬品の使用割合を上げるのはなかなか難しい！という結論にしてしまうと話が終わってしまう。大事なのは、同じ所得でも、後発医薬品使用割合が高いところと低いところがあるように（例えば、長野：高いところ、徳島：低いところ）、背景が近いところで、差異の事由を検討すべきと言えるのではないだろうか。

沖縄の取り組みを東京でマネすることも可能とは思うが、より効果的な取り組みの検討には、上記のような分析が有用と考えている。

余談だが、長野は、以前、後発医薬品使用割合が低い地域だった。急激に使用割合が伸びたことは、以前、データ分析結果を示した（下記ブログ参照）。

後発医薬品調剤率の都道府県順位変動

以下、余談。長野は色々興味深いのだが、ちょうど、数日前の日経の地方面に長野の記事が出ていた。下記の電子版では載っていないようだが、紙面では、重点目標の表があり、健康寿命全国1位維持、というのも挙げられていた。

長野県の新５カ年計画始動　県政運営の指針に　　：日本経済新聞

WHO Europeのサイトが見やすい

国際的な比較で急性期病院の平均在院日数が日本は長いとよく言われる。その場合、よくOECDのデータが引用される（Health care use - Length of hospital stay - OECD Data）。OECDのサイトはグラフの見せ方や出典表記など色々分かりやすく、またデータもダウンロードできる。

ヨーロッパの情報を探していたら、WHOのヨーロッパのサイトに。

Average length of stay, acute care hospitals only - European Health Information Gateway

これもまた分かりやすい。グラフは埋め込めるようにコードも用意してくれていた。（下のグラフは、WHO Europeのサイトで用意されていた埋め込みコードを使ったもの）




日本の急性期病院の在院日数が今後どうなるのか。しかし、この問題には、医療技術の進展だけでなく、社会保険制度や病院経営、雇用など様々な要素が複雑に絡み合っている。だから難しい。でも、その先を考えることは頭の体操になるのではないだろうか。

特権乱用！

一足先にレポート入手。

地域医療連携推進法人「日本海ヘルスケアネット」に関するレポート

日本海ヘルスケアネットについて、栗谷理事長に寄稿いただいたレポート。野村證券が発行している最新号のヘルスケアノートだ。

まだ配布されていないらしいのだが、特権で一足先に読むことができた。ここまで丁寧に過去からの経緯とビジョンが記されているのは貴重である。特に、最後の数ページは、誰が誰にどういったことを期待しているのだろうか？と考えながら読むと、示唆が得られるように思う。（個人的には、先々月、名古屋のセミナーでご一緒させていただいたので、直接話を聞いているのだが、そのときの頭の中を整理できた）

このレポートをお読みになりたい方は、お近くの野村證券に「日本海ヘルスケアネットのヘルスケアノートが欲しい」とご連絡いただければ、お手元に届くかと思います（届くのは来週以降になると思いますが）。

意味のないグラフだが、大きな一歩である・・・かもしれないグラフ

いつもデータ分析はExcel、Access、SQL Server、R、Cで行っている。

Excel：数万件までの処理に最適。グラフ作成→パワーポイント・ワードの流れも容易

Access、SQL Server：件数が多く、SQLでの集計やテーブルの結合などを多用する場合に利用。ExcelのVLOOKUP等の処理が遅くなるような問題は大抵回避できる

R：統計解析で利用

C：大量データの抽出処理で利用。学生時代によく使用していた言語

これ以外にも、Web上のデータ収集にはExcelのVBAマクロを使ったり、APIを使ったデータ収集ではJavaを使ったりしている。

これらに加えて、今年からPythonを試行している。
例えば、介護事業経営実態調査（平成29年介護事業経営実態調査 年度次 | 政府統計の総合窓口）で開示されたエクセルファイル。複数のエクセルファイルを開くことなく、データを抽出し、整形し、グラフを作るところまで、プログラミングしてみた。

下は、出力したグラフの例。まず、常勤職員の「施設種類ごとの平均賃金」の分布を見たもの。職種別に6級地と7級地で比較できるようにしている。なお、PT、OT、STはばらつきが少ないように見えるが、対象施設種類が少ないためである。

職種ごとの賃金分布（常勤）　左：6級地　右：7級地
出所： 厚労省 平成29年介護事業経営実態調査を基に分析

次は、常勤・非常勤、施設種類、職種、の各条件を揃えた場合に、5級地と6級地の平均賃金を比較したグラフ。左は常勤、右は非常勤で構成している。

5級地と6級地の相関関係　左：常勤　右：非常勤
出所： 厚労省 平成29年介護事業経営実態調査を基に分析

どのグラフも、「だから何？」という結果だ。でも、グラフに大した意味などない。目的はPythonの練習。ゆえに、プログラム実行で、20以上のエクセルファイルから指定のセルの値を抜き出し、グラフ作成できただけで十分だ。

・・・と、ExcelのマクロやRでも近いことができていた内容ではあるが、だいぶ簡素な記述で実現できている（自己満足！！）。まだ不慣れなPythonをメインにして業務を行うのは非現実的だが、徐々にレベルをあげていきたい。

介護医療院のスタートで新たなチャレンジを

介護医療院がスタートした。

協会設立の記念シンポジウムは、m3の記事（下記リンク参照。会員限定かも）を読んだところ、かなり盛り上がったように思われる。

日本介護医療院協会が設立、記念シンポジウム開催「住まいと生活を医療が下支えする新たなモデル」医療維新 | m3.com

島根では、さっそく介護医療院を立ち上げたところもあるようだ。（島根県安来市議会議員のブログを参照 → 介護医療院昌寿苑開所式）

元々、大学・大学院で動脈硬化の研究のため健康診断のデータ分析をはじめたのがきっかけで、現在に至っている。そのため、予防医療や急性期医療のデータ分析を得意としてきた。しかし、データ分析の質向上のためには、より幅広い視野で分析を行うことが重要であり、慢性期医療や介護領域のデータ分析にもチャレンジしていきたいと考えている。分析結果等を表に出せるレベルにはなかなか達しないが、先日の下記CBnewsの記事のように、軸足は急性期に置き、慢性期医療のデータ分析を行うことで、新たな示唆が得られたように思う。

「認知症」による看護必要度アップを手放しで喜べるのか - CBnewsマネジメント

今日も介護領域のデータ分析をしていた。新しい領域のチャレンジは楽しい（時間があっという間に過ぎてしまうのが痛い・・・）。介護医療院のスタートがきっかけというわけではないが、弊社も新たなチャレンジをしていきたい。

英語の勉強

英語の勉強。

 

これも英語の勉強。

 

半分本当、半分うそ。
英語の勉強も兼ねてるが、中身も勉強。
残念ながら、エイプリルフールに人にくすっと笑わせる上品なうそをつく才能は自分にはない。

Home | Hashed Health