Creativity Sharing and
Entrepreneurial Support

老人医療費の全国自治体の固有性分析と歳出分析評価

License : CC0
厚生労働省栄労働省の医療、介護費関連のオープンデータから全47都道府県の「一人当たりの老人医療費」と「高齢化率」「要介護率」のデータの相関の相関分析を行い可視化する。これによりその自治体の医療費の固有性分析を行い、地域住民と地域行政の対話と改善策の発見をを支援する。その共創的コミュニケーション及び多次元分析可視化ツールのXVIEWの活用を行う。これは昨年まで何度かこの場で活用紹介をしてきたものである。 又、全国810市町村の歳出分析を実施し、医療費とともに数々の「一人当たりのXX]との費用の相関分析を行えるようにした。この一連の作業を産学公民連携のワークショップを開催し、市民が公共的な問題も自分の問題として認識できるようメンタルなイノベーションを実現していく。これを応援するものとして、スマートウオッチや電子健康手帳の様なツールを開発しているチームと連携して、目的の実現を図っていく。 これらの活動から、5年のうちに医療費をX%、介護費用をY%下げるための理論値(実現可能な目標値)を設定し、ライフスタイルイノベーションとして個人が何をすればいいかを共に考え共に解決するコミュニティ形成を実現する情報インテリジェンス基盤を構築していく。
Update: Jun 17, 2024

Image detail
このチャートは、横軸が要介護指数=要介護率/高齢化率、縦軸が一人当たり(後期高齢者)老人医療費です。高齢化率、要介護率単独との相関よりこの要介護指数との関係を視た方が明確に医療費との関係が浮きぼりになってきています。都道府県別新型コロナ感染6指標におけるステージ4の沖縄、ステージ3の大阪、福岡、老人医療費で言うとワーストランクにあります。この対応関係は十分な意味性があると考えられます。
Update: Sep 6, 2020 (Kamogawa)
Image detail
元となるEXCELベースの3つの因子による2.5次元バブルチャートの事例です。是は是で有効です。なぜかというと2次元の散布図では3つの要素がかななり縮退した表示になってしまうからです。これを色分けしてもう一次元、またバブルの大きさを変えればもう一次元合計4次元情報をエンコードする子ができるからです、3次元バブルチャートにすればもう一次元表記能力が増えるため、4-5次元の空間認識を得ることができます。しかしながら、限られた次元での空間認識ですので全体像的には、散布図なしバブルチャートをマトリックス上に並べた物を併用することが情報を聞き出す上で有効です。
Update: Nov 9, 2019 (Kamogawa)
Image detail
18の因子から主要8因子を取り出し、相関係数行列と対応する散布図を作成し、さらにその散布図時をマトリックス状に配列したものを示します。更に個々の因子自体のヒストグラムを自動生成し、散布図と対応付けをし、そこから物語ってくるものがどこから産まれてくるかを複数の目で共創造創的に作業することで新しい発見が産まれます。
Update: Nov 9, 2019 (Kamogawa)
Web page detail
EXCELベースで多次元分析可視化した基本データセットをXVIEWという多次元分析可視化の自動化ツールへイクスポートした結果をご紹介します。EXCELベースでは描画には手作業が入り偉く手間暇がかかります。これを自動化します。具体的には相関係数行例を自動演算し、散布図が自動生成されます。その結果を使い、固有値ー固有ベクトル変換を行い、支配的な相関関係(分散の具合)や因子の寄与度を求めることができます。 そして注目に値する因子関係を選んで、ORIGINEなどの表現性の高い可視化ソフトで3次元バブルチャートで4-5次元の相関関係を空間認識することを支援でき、3つの2次元平面に写像して確認ができます。そして相関係数の高い関係の意味を捉え、そこにある潜在変数(共通因子)を取り出すには、現在のところ人間の感覚によることになりますが、その支援を行えることは統計的パターン認識から意味理解を計算処理で実現するためのワンステップになると考えています。
老人医療費分析指数 https://xviews.jp/ph/graph/correlationgraph.php?dbname=xview_1337764756303509_0136&graph_id=53&atype=out
引用url | XView 散布図&相関係数マップ   表示条件: 県識別2桁 マークモード 正規化 軸固定 イメージ散布図 相関係数マップ リセット
Update: Oct 30, 2019 (Kamogawa)
Web page detail
今回のデータセットです。事データは厚生労働省の老人医療費データH1)のほか、人口動態データ、国民生活基礎調査などの複数のデータソースがありますが、フォーマットはみなバラバラのため、関係するものを集約して1枚のEXCELにまとめました。それをXVIEWに送り。多次元分析可視化を自動化できるようにしました。この時、階層概念構造を持つ階層メタメタデータに持たせるために、業列変換を行ったものを作成した。上記画像‐リンク先のスライドの左右の<、>アイコンをクリックしてください。また更なる横断分析させる810市町村のデータセットをXVIEWに読み込ませたものの紹介スライドをアクセスしてみてください。
鴨川 威 - #階層構造を持ったLODメタメタデータ構造変換 #XVIEW #多次元分析可視化... | Facebook https://www.facebook.com/photo.php?fbid=2490446371035336&set=pcb.2490261637720476&type=3&theater
#階層構造を持ったLODメタメタデータ構造変換 #XVIEW #多次元分析可視化 #D2K2M:Management,meoney,Message,Meaning #統計的パターン認識 #色分けされた相関係数行列...
Update: Oct 10, 2019 (Kamogawa)
Web page detail
ここでは47都道府県の高齢化率と要介護率、さらに一人当たりの老人医療費の相関分析を行っている。老人医療費は最大と最小で30万円の歳があり、高齢化率や要介護率との正の相関があるが、より分散の形が明確になるのは要会士数=要介護率/高齢化率である。この考え方は、単にその地方自治体が高齢化しているから、老人医療費が高いというわけではなく、同一の高齢化率でも、要介護率でもその差異があるだけでなく、その指数からみてその地域の固有性を観ていくことが重要である。細かいデータでなく、意外とマクロな「幸福度」で評価することもできる。基本的な評価はEXELで可能であるが、大量データの場合は、XVIEWを使用することで、自動演算で創建係数マトリックスや散布図を作成できる。またjploitをサポートしているのでGISマッピングや散布図の自動生成が可能で、視覚的判断が一瞬して行うことが可能である。
鴨川 威 - 都道府県別の高齢化率ー要介護率ー一人当たり老人医療費の調査分析においてその相関を示す散布図やバブルチャー... | Facebook https://www.facebook.com/photo.php?fbid=2473750856038221&set=pcb.2473505429396097&type=3&theater
都道府県別の高齢化率ー要介護率ー一人当たり老人医療費の調査分析においてその相関を示す散布図やバブルチャートを作成しています。ここで更に、要介護指数=要介護率高齢化率に対する同医療費の王冠を観ると驚くほどの明快な関係が浮かび上がってきます。...
Update: Oct 10, 2019 (Kamogawa)
Web page detail
本ページでは、801の市町村の歳出のクロス分析を行ったもののサマリーページです。オレンジ色のテキストボックスにあるように、様々な「一人当たりのxx」があります。また、高齢化率の項目もあり、この視点の他度のデータ分析度明とのクロス分析が可能となります。例えば、要介護率や一人当たり老人医療費の評価因子をこちらのマトリックスに組み込むことも可能です。一般手駅には正規化して単位の問題やデータのおおきさの違いを吸収するために正規化して偏差値ベースで相関分析には有効です。絶対値を問題視する場合ば別です。
鴨川 威 - 以前花谷さんが作成荒れたデータ可視化を1枚のプレゼン資料にまとめたものをシェアします。... | Facebook https://www.facebook.com/photo.php?fbid=2227305374016105&set=gm.1189489594586405&type=3&theater&ifg=1
以前花谷さんが作成荒れたデータ可視化を1枚のプレゼン資料にまとめたものをシェアします。 「一人当たり」のミカタが重要です。
Update: Oct 10, 2019 (Kamogawa)
Image detail
本分析に関する医療費に関連するデータの一次分析グラフを提示します。データはH18.19年当たりのもので、最新データによる比較分析(時系列変化)を今後評価します。・最新データは厚生労働白書画平成26年のものがあります。昨年のLODチャレンジ2018でのデータは平成2015年です。この時年率どの位の割合で層化していくかをすう中途と感覚で把握することは重要です。
Update: Oct 1, 2019 (Kamogawa)
Image detail
要介護の疾患要因別、年代別の一次分析データです。介護費用を抑えるに如何に病気にならないようにするかポイントになります。素疾患の多くの原因は生活習慣病です。それは日常の行動習慣にの影響を受けますが、それは潜在意識要因がきます。他方経済的要因や職場のハラスメントやブラック労働による過労、精神疾患が癌を始め様々な疾患の要因になります。健康管理は自己管理だけとも言いきれない部分があり、日常生活を含む行動や気持‐気分を記録するいわゆるライフタイムログは非常に重要です。主観的データも客観化できます。
Update: Oct 10, 2019 (Kamogawa)
Image detail
今回はアイデア部門として、データの分析可視化&コミュニケーション基盤のご紹介を行っていますが、個人の日常の生活行動や体調や気分を表すデータで把握できるスマートウオッチが市場に出てきました。また其の最先端モデルはDNA検査と問診、体組成計からのデータを総合マイニングし、その人に合ったサプリメントを処方するパーソナルプライマリケアを提供しています。今回のLODチャレンジの直接の訴求内容ではありませんが、医療費を下げるために日々のデータ収集による「パーソナルデータ」とオープンな「パブリックデータ」をま‐ジージした新しいプライマリヘルスケアの時代がやってきました。LODチャレンジ2020ではそのデータの収集分析し、健倖手帳に記載されたデータモデルを紹介します。今後新しいビジネス創成や教育サービス事業を提案していきます。パーソナルデータは匿名化して地域分析に活用していく分散型の情報交換システムをご紹介していきます。
Update: Oct 2, 2019 (Kamogawa)
Image detail
これはご紹介したスマートウオッチが持つ体内の12の臓器のリスクを提示してくれる機能の紹介ページです。全体としてAIブラックボックスなので、こちらでは血液検査(バイタルデータ)脳計測、他の種類の問診などを組み合わせ相互検証を行いAIホワイトボックス化すると同時にその信頼性の向上をはかっていきます。
Update: Oct 2, 2019 (Kamogawa)

Grant Information

Suggested fund information for realizing the idea.

Comments