03.脳活ラボの経済効果分析

概要

脳活ラボ（自治体提供の認知症予防アプリ）の経済効果を分析し、参加群と非参加群の介護認定率比較により削減効果を試算する。

脳活ラボの機能

脳トレゲーム（個人・複数人）
予防動画視聴
健康イベント参加
ポイント制度・抽選機能
歩行活動用スタンプラリー

削減効果の要素分解

1. 削減対象費用の分類

flowchart LR
    A[総削減額] --> B[介護費削減]
    A --> C[医療費削減]
    A --> D[社会的費用削減]
    
    B --> B1[要介護認定率の低下]
    B --> B2[要介護度の軽減]
    B --> B3[施設入所の遅延]
    
    C --> C1[外来受診頻度の減少]
    C --> C2[入院日数の短縮]
    C --> C3[薬剤費の削減]
    
    D --> D1[家族介護負担の軽減]
    D --> D2[就労継続による生産性維持]
    D --> D3[QOL向上による社会参加]

2. 介護費削減の詳細分析

2.1 要介護認定率への影響

仮説: 脳活ラボ参加により要介護認定率が低下

比較指標:

参加群の要介護認定率 vs 非参加群の要介護認定率
年齢階層別の認定率差異
参加期間・頻度による効果の違い

2.2 要介護度軽減効果

flowchart LR
    E[要介護度軽減] --> E1[要支援1・2の維持]
    E --> E2[要介護1・2への進行抑制]
    E --> E3[重度要介護への進行遅延]
    
    E1 --> F1[月額給付費: 約5万円→10万円の抑制]
    E2 --> F2[月額給付費: 約17万円→25万円の抑制]
    E3 --> F3[月額給付費: 約30万円→36万円の抑制]

2.3 施設入所遅延効果

在宅継続による削減:

特別養護老人ホーム: 月額約30万円
介護老人保健施設: 月額約35万円
グループホーム: 月額約15万円

3. 医療費削減の試算

3.1 認知症関連医療費

削減対象:

認知症専門外来受診費用
抗認知症薬の処方費用
認知症に起因する他疾患治療費
救急搬送・入院費用

3.2 生活習慣病予防効果

歩行活動による効果:

糖尿病予防・管理改善
高血圧予防・管理改善
心疾患予防効果
骨折リスク低下

4. 分析フレームワーク

4.1 データ突合方法

flowchart LR
    A[住民基本台帳] --> D[突合キー]
    B[介護認定データ] --> D
    C[脳活ラボ参加データ] --> D
    
    D --> E[分析データセット]
    E --> F[参加群]
    E --> G[非参加群]
    
    F --> H[経済効果分析]
    G --> H

4.2 比較分析項目

基本指標:

年齢、性別、基礎疾患の有無
社会経済状況（可能な範囲で）

アウトカム指標:

要介護認定率（新規・更新）
要介護度の変化
介護給付費の推移
医療費の推移

4.3 効果測定期間

短期効果: 参加開始から1年間
中期効果: 参加開始から3年間
長期効果: 参加開始から5年間

5. 統計的信頼性を担保した試算モデル

5.1 「○円削減」メッセージの要素分解

flowchart TD
    A[年間削減額] --> B[単位効果量]
    A --> C[対象人数]
    A --> D[継続期間]
    
    B --> B1[介護費削減/人]
    B --> B2[医療費削減/人]
    B --> B3[社会的費用削減/人]
    
    B1 --> E1[要介護認定率の変化]
    B1 --> E2[要介護度進行の抑制]
    B1 --> E3[施設入所確率の変化]
    
    E1 --> F1[統計的有意性検定]
    E2 --> F1
    E3 --> F1
    
    F1 --> G[信頼区間付き推定値]

5.2 多変量解析による効果推定

1. ロジスティック回帰分析（要介護認定率）

logit(P(要介護認定)) = β₀ + β₁(脳活ラボ参加) + β₂(年齢) + β₃(性別) +
                     β₄(既往歴) + β₅(健康診断結果) + β₆(社会経済状況) + ε

推定対象: β₁（脳活ラボ参加の効果）

オッズ比: exp(β₁)
95%信頼区間: [exp(β₁ - 1.96×SE), exp(β₁ + 1.96×SE)]
統計的有意性: p値 < 0.05

2. 順序ロジスティック回帰（要介護度進行）

logit(P(要介護度 ≥ k)) = αₖ + β₁(脳活ラボ参加) + Σβᵢ(共変量ᵢ)

推定対象: 各要介護度への進行確率の変化

3. 生存時間解析（施設入所までの期間）

h(t) = h₀(t) × exp(β₁(脳活ラボ参加) + Σβᵢ(共変量ᵢ))

推定対象: ハザード比（施設入所リスクの変化）

5.3 費用効果の段階的推定

ステップ1: 効果量の推定

flowchart LR
    A[多変量解析] --> B[調整済み効果量]
    B --> C[信頼区間付き推定]
    C --> D[感度分析]
    D --> E[ロバスト推定値]

ステップ2: 単位費用の算出

項目	推定方法	信頼性確保策
要介護度別月額費用	介護給付実績データ	3年間の平均値、外れ値除去
医療費（認知症関連）	レセプトデータ分析	ICD-10コード別集計、専門医確認
施設入所費用	施設種別平均費用	地域差調整、物価指数考慮

ステップ3: 統計的推論

ブートストラップ法による信頼区間

削減額の95%信頼区間 = [下限値, 上限値]
1000回リサンプリングによる分布推定

ベイズ推定による不確実性の定量化

事前分布 × 尤度 → 事後分布
信頼区間 = ベイズ信頼区間

5.4 頑健性検証（Robustness Check）

1. 複数の統計手法による検証

手法	対象	利点	限界
OLS回帰	連続変数（費用）	解釈容易	分布仮定
一般化線形モデル	カウントデータ	分布適合	モデル選択
機械学習（Random Forest）	非線形関係	予測精度	解釈困難
因果推論（IPTW）	因果効果	バイアス除去	仮定強い

2. サブグループ解析

flowchart TD
    A[全体効果] --> B[年齢階層別]
    A --> C[性別]
    A --> D[基礎疾患別]
    A --> E[参加頻度別]
    
    B --> F[一貫性確認]
    C --> F
    D --> F
    E --> F
    
    F --> G[効果の普遍性検証]

3. 感度分析の体系的実施

欠損データの処理方法を変更
- 完全ケース分析 vs 多重代入法
- 欠損メカニズムの仮定変更
アウトカム定義の変更
- 要介護認定タイミングの定義
- 費用算出期間の変更
共変量セットの変更
- 最小限モデル vs 全変数モデル
- 交互作用項の追加

5.5 統計的検定の多重性調整

問題: 複数のアウトカムで検定を行うことによる第1種過誤の増大

対策:

Bonferroni補正: α’ = α/k（k=検定数）
FDR（False Discovery Rate）制御: Benjamini-Hochberg法
主要アウトカムの事前指定: 最重要指標1つに限定

5.6 最終的な削減額算出式

点推定値:

年間削減額 = Σᵢ (効果量ᵢ × 単位費用ᵢ × 対象人数ᵢ)

区間推定値:

削減額の95%信頼区間 = [下限, 上限]
保守的推定値 = 下限値を採用

メッセージ例:

「脳活ラボの利用により、年間1,234万円（95%信頼区間: 892万円〜1,576万円）の介護・医療費削減効果が統計的に有意に認められた（p<0.001）。保守的な推定では年間892万円の削減が期待される。」

5.7 予測モデルの検証

1. 交差検証（Cross-Validation）

5-fold交差検証による予測精度評価
時系列分割による時間的妥当性確認

2. 外部妥当性の検証

他地域データでの検証
異なる期間データでの再現性確認

3. 予測精度指標

R²（決定係数）
RMSE（平均二乗誤差の平方根）
MAE（平均絶対誤差）

5.9 必要サンプルサイズの計算

5.9.1 統計的検出力に基づくサンプルサイズ設計

基本パラメータ:

有意水準（α）: 0.05
検出力（1-β）: 0.80（80%）
効果量: 実質的に意味のある差

要介護認定率の比較（主要アウトカム）

想定シナリオ:
- 非参加群の要介護認定率: 15%（65歳以上の一般的な率）
- 脳活ラボ参加群の期待認定率: 12%（20%の相対リスク減少）
- 効果量: |p1 - p2| = 0.03

2群比較のサンプルサイズ計算:

n = 2 × [(Zα/2 + Zβ)² × p̄(1-p̄)] / (p1-p2)²

p̄ = (p1 + p2) / 2 = 0.135
n = 2 × [(1.96 + 0.84)² × 0.135 × 0.865] / (0.03)²
n ≈ 3,570 per group

総サンプル数: 約7,140人

5.9.2 傾向スコアマッチング考慮した実効サンプルサイズ

マッチング効率: 通常70-80%

脳活ラボ参加者: 5,000人
マッチング成功: 5,000 × 0.75 = 3,750人
必要な非参加者母集団: 3,750 ÷ 0.75 = 5,000人以上

属性絞り込みの必要性:

flowchart TD
    A[全住民] --> B[年齢層絞り込み]
    B --> C[健康状態絞り込み]
    C --> D[地域絞り込み]
    D --> E[最終対象者]
    
    A --> A1[約10万人]
    B --> B1[65-80歳: 約2万人]
    C --> C1[要介護認定なし: 約1.7万人]
    D --> D1[アプリ展開地域: 約1.5万人]
    E --> E1[分析対象: 8,750人]

推奨対象者属性:

年齢: 65-80歳（認知症リスク期、効果測定期間確保）
健康状態: 要介護認定なし（ベースライン統一）
居住期間: 3年以上継続居住（追跡可能性）
除外基準: 重篤な認知症、末期疾患

5.9.3 足立区での実際試算例

足立区の基礎データ（2023年）:

総人口: 約69万人
65歳以上人口: 約16.8万人（高齢化率24.3%）
65-80歳人口: 約11.2万人
要介護認定者数: 約2.8万人（認定率16.7%）
要介護認定なし（65-80歳）: 約9.5万人

脳活ラボ実施想定規模:

アプリ参加者目標: 5,000人（65-80歳の5.3%）
マッチング成功予想: 3,750人（成功率75%）
対照群候補: 約9.1万人（参加者除く65-80歳未認定者）

ステップ1: 効果量の推定

アウトカム	非参加群	参加群	効果量	95%CI
要介護認定率（3年）	15.0%	12.0%	-3.0%	[-5.2%, -0.8%]
平均要介護度進行	+0.8度	+0.6度	-0.2度	[-0.35, -0.05]
施設入所率（3年）	8.0%	6.0%	-2.0%	[-3.8%, -0.2%]

ステップ2: 足立区の単位費用（年額）

項目	足立区実績	全国平均	備考
要介護1の年額給付費	189万円	204万円	足立区介護給付費実績
要介護2の年額給付費	278万円	300万円	同上
要介護3の年額給付費	345万円	365万円	同上
特養入所年額費用	330万円	360万円	都内平均より低額
65歳以上1人当たり医療費	89万円/年	92万円/年	後期高齢者医療
認知症関連医療費	52万円/年	48万円/年	都市部特性

ステップ3: 足立区での削減効果試算

介護費削減（年額）:

【重複回避版の計算】
A. 要介護認定回避: 3,750人 × 3.0% × 189万円 = 21,262.5万円
   ※この112.5人は以下のB、Cの対象外

B. 要介護度軽減効果: (3,750人 - 112.5人) × 0.2度 × 89万円 = 6,496万円
   ※要介護認定を受けた人の中での軽減効果
   ※要介護度0.2度軽減の正しい計算:
   - 要介護1→要支援2: (189万円-約100万円) × 対象者数
   - 要介護2→要介護1: (278万円-189万円) × 対象者数
   - 平均軽減額: 約89万円/年（要介護度間の平均差額）

C. 施設入所回避: 3,750人 × 2.0% × 330万円 = 24,750万円
   ※要介護認定者の中から施設入所対象者を特定

介護費削減小計: 52,508.5万円/年

医療費削減（年額）:

認知症関連医療費: 3,750人 × 8% × 52万円 = 15,600万円
※8%削減率：仮定値（認知機能向上による受診頻度・薬剤費削減）

生活習慣病関連: 3,750人 × 12% × 28万円 = 12,600万円
※12%削減率：仮定値（歩行活動による糖尿病・高血圧改善効果）
(足立区は糖尿病率高く、歩行促進効果大)

医療費削減小計: 28,200万円/年

社会的費用削減（年額）:

家族介護負担軽減: 3,750人 × 5% × 120万円 = 22,500万円
※5%対象率：仮定値（要介護認定遅延による家族負担軽減対象者の割合）
(介護離職回避、精神的負担軽減)

社会的費用削減小計: 22,500万円/年

足立区での総削減効果:

年間削減額 = 52,508.5万円 + 28,200万円 + 22,500万円 = 103,208.5万円

【95%信頼区間の統計的算出】
※各効果量の95%信頼区間を統合した推定:
- 要介護認定率効果: [-5.2%, -0.8%] → 影響幅: 約±40%
- 医療費削減効果: 仮定値のため ±50%の幅を設定
- 社会的費用: 仮定値のため ±60%の幅を設定

統計的推定による95%信頼区間: [58,925万円 〜 147,492万円]
保守的推定値: 58,925万円/年

※従来の単純比率計算: [62,125万円 〜 144,292万円]

ステップ4: 足立区の財政への影響

削減効果の財政インパクト（年額103,208.5万円ベース）:

■ 介護保険への影響
- 介護給付費削減: 52,508.5万円
- 自治体負担分（12.5%）: 6,564万円

■ 医療保険への影響
- 医療費削減: 28,200万円
- 国保自治体負担分（12%）: 3,384万円
- 後期高齢者医療負担分（約10%）: 2,820万円

■ 社会的費用削減
- 家族介護負担軽減等: 22,500万円
- 直接的財政効果なし（社会全体の便益）

■ 自治体直接的利益合計
介護保険負担分 + 医療保険負担分 = 6,564万円 + 6,204万円 = 12,768万円/年

5.9.4 サンプルサイズ不足時の対策

現実的な制約への対応:

複合アウトカム（Composite Endpoint）の活用

複合エンドポイント = 要介護認定 OR 要介護度2段階上昇 OR 施設入所
イベント率上昇により検出力向上

ベイズ統計の活用

事前情報の活用により実効サンプルサイズ増加
他地域データや文献値を事前分布に反映

適応的デザイン

中間解析での効果量再推定
サンプルサイズの動的調整

傾向スコアマッチング比率の調整

1:1マッチング → 1:2または1:3マッチング
対照群サンプルサイズの効率的活用

5.9.5 推奨実施案

フェーズ1: パイロット研究（1年目）

対象: 1,000人 vs 1,000人
目的: 効果量の予備推定、システム確立

フェーズ2: 本格研究（2-4年目）

対象: 3,750人 vs 3,750人
目的: 統計的に有意な効果の検証

最小限必要条件:

脳活ラボ参加者: 2,500人以上
対照群: 5,000人以上
追跡期間: 最低2年間

5.10 足立区特有の考慮事項

5.10.1 足立区の地域特性

人口動態の特徴:

高齢化率: 24.3%（全国平均29.1%より低いが急速に上昇中）
要介護認定率: 16.7%（全国平均18.7%より低い）
独居高齢者率: 高い（都市部特性）

健康課題の特徴:

糖尿病罹患率: 全国平均より高い
脳血管疾患死亡率: 23区内で上位
健康格差: 経済状況による差が大きい

5.10.2 足立区での実施上の優位性

既存インフラの活用:

あだち広報での周知（全戸配布）
地域包括支援センター（25箇所）での推進
足立区医師会との連携基盤
介護予防事業との連携可能性

データ整備状況:

住民基本台帳データの完備
介護認定データの電子化済み
国保・後期高齢者医療データの活用可能性
特定健診データとの突合可能

5.10.3 実施スケジュール案

第1段階（6ヶ月）: 基盤整備

データ突合システム構築
倫理審査・同意取得プロセス確立
パイロット対象者選定（1,000人）

第2段階（1年）: パイロット実施

1,000人での効果測定
システム改善・運用最適化
予備的効果量推定

第3段階（3年）: 本格実施

5,000人規模での本格運用
統計的有意性の確認
政策提言資料作成

5.10.4 期待される政策効果

短期的効果（1-2年）:

健康意識向上による医療費適正化
地域コミュニティ活性化
デジタルデバイド解消への貢献

中長期的効果（3-5年）:

要介護認定率の改善
介護保険料上昇抑制
健康寿命延伸による地域活性化

他施策との相乗効果:

地域包括ケアシステムとの連携強化
フレイル予防事業との統合
生活習慣病対策との連動

6. 想定される課題と対策

6.1 データの質と完全性

課題:

参加データの欠損
介護認定データとの時系列的な整合性
交絡要因の統制

対策:

傾向スコアマッチング
多重代入法による欠損値処理
感度分析の実施

6.2 選択バイアス（健康意識バイアス）の対策

課題の詳細:

自己選択バイアス: 脳活ラボに参加する人は健康意識が高い傾向
動機の違い: 参加者は元々認知症予防に積極的
ベースライン特性の違い: 参加群と非参加群で健康状態・生活習慣が異なる
継続性バイアス: 健康意識の高い人ほど継続利用する傾向

flowchart TD
    A[選択バイアス] --> B[健康意識の高い人が参加]
    A --> C[もともと健康行動を取る人]
    A --> D[継続利用する動機の違い]
    
    B --> E[効果の過大評価]
    C --> E
    D --> E
    
    E --> F[真の効果との乖離]

対策手法:

傾向スコアマッチング（PSM）
- 参加確率を推定し、類似した特性の非参加者と比較
- 共変量: 年齢、性別、既往歴、健康診断結果、過去の医療利用歴
- 健康意識の代理指標: 健康診断受診率、予防接種歴、過去の健康サービス利用
操作変数法（Instrumental Variables）
- アプリの告知方法・タイミングを操作変数として利用
- 地域の情報インフラ格差（デジタルデバイド）を活用
- 家族構成や居住地域による情報アクセスの違い
差の差分析（Difference-in-Differences）
- アプリ導入前後の変化を参加群・非参加群で比較
- 時間不変の個人特性（健康意識含む）をコントロール
回帰不連続デザイン（RDD）
- 年齢等の閾値による準ランダム割り当ての活用
- 特定年齢層への限定的な告知キャンペーンの利用

健康意識の直接的測定:

過去の健康行動データ:
- 特定健診受診率の推移
- がん検診受診歴
- インフルエンザ予防接種歴
- 健康相談・保健指導の利用歴
ライフスタイル指標:
- 運動施設の利用履歴
- 健康関連イベントへの参加歴
- 健康食品・サプリメント購入データ（可能であれば）

感度分析の実施:

健康意識の高低で層別化した分析
参加動機別のサブグループ分析
参加継続期間による効果の違いの検証
非参加者の中でも健康意識の高い群との比較

ネガティブコントロール群の設定:

他の健康アプリ利用者との比較
従来型の健康教室参加者との比較
待機者群（アプリ利用開始を遅らせた群）との比較

7. 期待される成果

7.1 政策提言への活用

認知症予防施策の効果の明確化
予算配分の根拠資料として活用
他自治体への展開根拠

7.2 学術的貢献

デジタルヘルス介入の経済評価モデル
地域包括ケアシステムにおける予防効果
健康寿命延伸策の定量的評価

次のステップ

データ取得・整備の詳細計画策定
統計解析手法の確定
倫理審査の申請
パイロット分析の実施
本格的な効果測定・試算の実行