株式会社JMDC（本社：東京都港区、代表取締役社長兼CEO：野口亮、以下「JMDC」）、オムロン株式会社（本社：京都市下京区、代表取締役社長 CEO：辻永順太、以下「オムロン」）、および国立大学法人筑波大学（茨城県つくば市、学長：永田恭介、以下「筑波大学」）の医学医療系 教授 岩上将夫、国際統合睡眠医科学研究機構 機構長・教授 柳沢正史らによる共同研究グループは、JMDCが有する国内最大規模の医療データに、PHR（パーソナルヘルスレコード）サービス「Pep Up（ペップアップ）」に記録された日々のライフログデータを組み合わせ、治療が必要なレベルの睡眠時無呼吸症候群（SAS）のリスクを高精度に予測するAIモデルを開発しました。また、当該研究に関する学術論文が、国際学術誌「Sleep and Breathing」に掲載されましたので、以下のとおりお知らせいたします。 ■ 背景：なぜこの研究が必要なのか 睡眠時無呼吸症候群（SAS、「サス」）は、睡眠中に呼吸が止まったり浅くなったりを繰り返す病気で、高血圧や脳卒中、心疾患などの重大なリスク要因となることが知られています。一方で、多くの患者は自覚症状が乏しく、確定診断には専門施設での精密検査（PSG：ポリソムノグラフィー等）が必要なことから、社会には未診断・未治療の「隠れSAS」が数多く存在すると考えられています。 実際、国内のSAS潜在患者は約940万人にのぼる一方、代表的な治療法である持続陽圧呼吸療法（CPAP、「シーパップ」）を受けている患者は約64万人程度にとどまるとされ、多くの患者が治療のチャンスを失っている可能性があります。 従来のSASリスクの把握は、医療機関を受診して精密検査を受ける、あるいは専用のウェアラブルデバイスを通じた診断検査やリスク判定サービスを利用するなど、いずれのアプローチでも、自覚症状のある人が主体的に選択し、手間とコストを投じて実施する手法に限られていました。 そこで本研究では、「無自覚な人も含め、ほとんど手間や追加のコストをかけずにSASリスクの高い人を見つけ出し、適切な検査・治療につなげられないか」という課題に対し、大規模ヘルスデータとAIを活用したアプローチに取り組みました。 ■ 研究概要：約186万人規模のデータ×AI 本研究では、JMDCが保有する仮名加工されたレセプト（診療報酬明細書）データおよび健康診断データに加え、PHRサービス「Pep Up」（注）に記録された日々のライフログデータ（家庭血圧、体重、睡眠時間、歩数など）（注）を活用しました。 ・ 対象：約186万人のPep Upユーザーから収集された大規模データ（2022年1月～2024年7月の3か月毎の11時点における延べ約1,869万レコード） ・ 手法：機械学習（LightGBM）を用いて、SASの治療（CPAP治療）を受けている人の特徴を学習し、合計279のデータ項目から治療が必要なレベルのSASを予測 ・ 新規性の高い点：レセプトや健康診断のデータだけでなく、血圧計・体組成計・ウェアラブルデバイス等から得られる「日常の健康データ（PHR）」を予測に組み込み、またPHR情報がある時とない時で予測精度を比較した点 （注）PHR（パーソナルヘルスレコード）とは、健康診断の結果や服薬の履歴、家庭で測った血圧・体重・歩数・睡眠などの日々の健康データを、本人がスマートフォンアプリなどでまとめて記録・管理できる仕組み （注）ライフログとは、家庭血圧計・体組成計・ウェアラブルデバイスなどによって日々記録される、血圧・体重・歩数・睡眠時間といった生活・健康の記録データ ■ 3者の役割 ・ JMDC：臨床データ整備と予測モデルの構築・解析 ・ オムロン：血圧計等のデバイスデータの連携と臨床的助言 ・ 筑波大学：研究全体の監修と臨床疫学／睡眠医学の観点からの指導 ■ 主な成果：高い予測精度を実現 開発したAIモデルは、治療が必要なレベルのSASの有無を非常に高い精度で予測できることが確認されました。 ・ 高い予測精度：予測性能を示すAUROC（注）は0.898（95%信頼区間：0.895–0.901）でした ・ 効率的なハイリスク者の抽出：予測スコアが上位1%に入った人のうち約3割（28.3%）、予測スコアが上位10%に入った人のうち約1割（10.3%）が、実際にCPAP治療を受けているSAS患者に該当しました。これは、無作為に検査する場合（本研究対象集団における有病率1.6%）と比べ、はるかに効率的にハイリスク者を見つけられることを意味します ・ 主要な予測因子：重要な予測因子として男性であること、年齢、BMI、腹囲などが上位にあがり、過去の研究と矛盾しない結果でした。加えて、健康診断の採血結果