コンテンツにスキップ
Vecta Contents

02.脳活ラボの経済効果分析案のサマリー

何を調べるの？

脳活ラボ（認知症予防アプリ）を使っている人と使っていない人を比べて、介護や医療にかかるお金がどれくらい減るかを調べます。

なぜ調べる必要があるの？

  • アプリにお金をかける価値があるかを知りたい
  • 議会や住民に「効果があります」と説明したい
  • 他の自治体にも紹介できる根拠が欲しい

調べ方の基本的な考え方

1. 2つのグループを比較

アプリを使うグループ（参加群）

  • 脳活ラボを使っている人：5,000人

アプリを使わないグループ（対照群）

  • 使っていない人の中から、年齢や健康状態が似ている人：5,000人

2. 何年間追いかけるか

3年間追跡して、どんな違いが出るかを見ます。

3. 何を測るか

介護関係：

  • 要介護認定を受ける人の割合
  • 要介護度がどれくらい進行するか
  • 特別養護老人ホームに入る人の割合

医療関係：

  • 病院にかかる回数や費用
  • 認知症の薬代
  • 生活習慣病の治療費 ※削減率は仮定値（認知症関連：8%、生活習慣病関連：12%）

社会的な効果：

  • 家族の介護負担
  • 介護のために仕事を辞める人 ※対象率は仮定値（5%の世帯が影響を受けると想定）

具体的な分析の流れ

ステップ1：データを集める

足立区の場合

  • 65-80歳の住民：約11.2万人
  • その中で要介護認定を受けていない人：約9.5万人
  • 脳活ラボ参加予定：5,000人

データ出典: 足立区統計書 https://www.city.adachi.tokyo.jp/kikaku/ku/aramashi/tokei-nenpou.html

ステップ2：公平な比較をするために調整

問題：脳活ラボを使う人は、もともと健康意識が高い可能性がある

解決方法：

  • 年齢、性別、過去の病気、健康診断の結果などが似ている人同士を比較
  • 統計的な手法を使って、公平な比較ができるようにする

ステップ3：効果を計算

例：要介護認定率の変化

  • 使わない人：100人中15人が新しく要介護認定を受ける（全国平均）
  • 使う人：100人中12人が新しく要介護認定を受ける（想定効果）
  • 差：3人分の効果

参考データ: 厚生労働省 介護保険事業状況報告 https://www.mhlw.go.jp/topics/kaigo/osirase/jigyo/index.html

ステップ4：お金に換算

1人当たりの年間費用（足立区実績ベース）

  • 要介護1の人：約189万円/年
  • 要介護2の人：約278万円/年
  • 要介護3の人：約345万円/年
  • 施設入所：約330万円/年
  • 認知症関連医療費：約52万円/年
  • 65歳以上1人当たり医療費：約89万円/年

削減額の計算

  • 要介護認定を避けられた人×費用 = 削減額

データの出典

実際の試算例（足立区）

マッチング成功者3,750人の場合

（参加登録者5,000人のうち、属性の似た対照群とマッチングできる想定人数）

年間削減額：

  • 介護費：5億2,508.5万円
  • 医療費：2億8,200万円（仮定値）
  • 社会的費用：2億2,500万円（仮定値）
  • 合計：10億3,208.5万円

※介護費は重複計算を調整済み（要介護認定回避者を他計算から除外）

分かりやすく言うと

1人参加すると年間約27.5万円の削減効果 （10億3,208.5万円 ÷ 3,750人 = 27.5万円/人）

なぜこの分析が信頼できるの？

1. 統計的な検証をする

「たまたまそうなった」のではなく、「本当に効果がある」ことを統計学の方法で証明します。

具体的には：

  • 95%の確率で効果があることを確認
  • 「偶然」の可能性を5%以下に抑える

統計手法の参考: 日本疫学会ガイドライン https://jeaweb.jp/activities/guidelines.html

2. 複数の方法で確認（頑健性検証）

なぜ必要？：1つの方法だけだと、たまたまその方法でうまくいっただけかもしれません。

具体的な確認方法：

①異なる統計手法での検証

  • ロジスティック回帰分析※1：要介護認定を受ける確率を分析
  • 生存時間解析※2：施設入所までの期間を分析
  • 傾向スコアマッチング※3：似た特性の人同士を比較
  • 機械学習※4：AIを使った予測分析

②対象者を変えた分析

  • 年齢層別（65-70歳、70-75歳、75-80歳）
  • 性別（男性、女性）
  • 健康状態別（持病あり、なし）
  • 参加頻度別（よく使う人、たまに使う人）

③期間を変えた分析

  • 1年後の効果
  • 3年後の効果
  • 5年後の効果

判定基準： どの方法で分析しても同じような結果が出れば、「確実に効果がある」と言えます。

3. 最悪のケースも考える（感度分析）

なぜ必要？：予想より効果が小さかった場合でも、事業を続ける価値があるかを確認します。

具体的な検証：

①効果が半分だった場合

  • 予想削減額：10億3,208.5万円/年
  • 半分の場合：5億1,604万円/年
  • 判定：それでも十分な効果

②効果が30%だった場合

  • 30%の場合：3億962万円/年
  • 判定：効果はあるが、効果量を再検討

③統計的な不確実性の考慮

  • 95%信頼区間※5：5億8,925万円～14億7,492万円
  • 保守的推定：下限の5億8,925万円でも効果あり
  • 悲観的シナリオ：さらに30%減でも4億1,248万円

④参加者の偏りの影響

  • 健康意識の高い人だけが参加した場合の効果
  • 継続しない人が多い場合の効果
  • 高齢になって参加した場合の効果

⑤外部要因の影響

  • 他の健康施策との重複効果
  • 社会情勢の変化（コロナ等）
  • 制度改正の影響

判定方法： 最も悪い条件が重なっても、年間3億円以上の削減効果があれば事業継続の価値ありと判定。

※用語解説

※1 ロジスティック回帰分析：「なる・ならない」の確率を予測する統計手法 ※2 生存時間解析：「いつまで元気でいられるか」を分析する手法
※3 傾向スコアマッチング：条件の似た人同士をペアにして比較する手法 ※4 機械学習：コンピューターが大量データから規則性を見つける技術 ※5 95%信頼区間：「95%の確率でこの範囲に真の値がある」という幅

他の自治体の分析との違い

よくある分析（レベル低）

  • 「参加者の満足度が高い」
  • 「参加前後で数値が改善」
  • 統計的な検証なし

脳活ラボの分析（レベル高）

  • 参加しない人との比較
  • 統計的な検証あり
  • 偏った結果にならないよう対策
  • 学術論文として発表できるレベル

分析レベルの参考: CONSORT声明 http://www.consort-statement.org/ （臨床研究報告の国際基準）

期待される成果

短期的（1-2年）

  • 予算獲得の根拠資料
  • 議会での説明材料
  • 住民への説明資料

中長期的（3-5年）

  • 他自治体への展開モデル
  • 国の政策への提言
  • 学術的な貢献

政策活用の参考: 内閣府 エビデンス・ベースト・ポリシー・メイキング https://www.cao.go.jp/others/kichou/ebpm/ebpm.html

まとめ

脳活ラボの効果を科学的に証明して、具体的な金額で示すことで：

  1. 予算の正当性を証明できる
  2. 他の自治体にも紹介できる
  3. 住民に分かりやすく説明できる
  4. 継続的な改善の根拠にできる

この分析により、「なんとなく良さそう」から「科学的に効果が証明された事業」にレベルアップできます。