SASリスクを高精度に予測！ JMDC・オムロン・筑波大学「睡眠時無呼吸症候群リスク予測AIモデル」

記事ポイント

• JMDC・オムロン・筑波大学のSASリスク予測AI
• Pep Upライフログ含む約186万人データ活用
• 睡眠時無呼吸症候群研究論文がSleep and Breathing掲載

JMDC、オムロン、筑波大学の共同研究グループが、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。

JMDCが有する医療データに、PHRサービス「Pep Up」に記録された日々のライフログデータを組み合わせています。

当該研究に関する学術論文は、国際学術誌「Sleep and Breathing」に掲載されました。

 

JMDC・オムロン・筑波大学「睡眠時無呼吸症候群リスク予測AIモデル」

 

 

• 発表日：2026年6月24日 14:00
• 研究主体：JMDC、オムロン、筑波大学
• 対象：約186万人のPep Upユーザー
• データ期間：2022年1月～2024年7月
• レコード数：延べ約1,869万レコード
• 手法：機械学習(LightGBM)
• データ項目：合計279
• 論文掲載誌：Sleep and Breathing

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す。

高血圧や脳卒中、心疾患などの重大なリスク要因として知られています。

国内のSAS潜在患者は約940万人にのぼる一方、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ています。

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が必要です。

そのため、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。

本研究では、大規模ヘルスデータとAIを使い、無自覚な人も含めてSASリスクの高い人を見つけ出す手法が示されています。

 

約186万人規模のデータを組み合わせた予測モデル

 

 

• 活用データ：レセプトデータ、健康診断データ、ライフログデータ
• PHRサービス：Pep Up
• ライフログ：家庭血圧、体重、睡眠時間、歩数など
• JMDCの役割：臨床データ整備と予測モデルの構築・解析
• オムロンの役割：血圧計等のデバイスデータの連携と臨床的助言
• 筑波大学の役割：研究全体の監修と臨床疫学／睡眠医学の観点からの指導

AIモデルは、JMDCが保有する仮名加工されたレセプトデータと健康診断データに、「Pep Up」のライフログデータを加えて作られています。

PHR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・管理できる仕組みです。

機械学習(LightGBM)は、CPAP治療を受けている人の特徴を学習し、治療が必要なレベルのSASを予測します。

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も予測に使われています。

 

AUROC0.898で示されたSAS予測モデルの精度

 

 

• AUROC：0.898
• 95％信頼区間：0.895-0.901
• 上位1％の該当率：約3割(28.3％)
• 上位10％の該当率：約1割(10.3％)
• 本研究対象集団における有病率：1.6％

開発したAIモデルは、治療が必要なレベルのSASの有無を高い精度で予測できることが確認されました。

AUROCは予測性能を示す指標で、0.5から1までの値をとり、値が大きいほど予測性能が高いことを示します。

予測スコアが上位に入った人の中から、実際にCPAP治療を受けているSAS患者を効率的に抽出できる結果が示されています。

無作為に検査する場合と比べ、ハイリスク者を見つける効率の違いが数値で表れています。

 

年齢やBMIに加えて日々のライフログも予測に寄与

 

 

• 主要な予測因子：男性であること、年齢、BMI、腹囲など
• 寄与したデータ：健康診断の採血結果、睡眠時間などのライフログ
• PHRの有用性：日常的に記録しているユーザーほどPHRの貢献度が高い

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ました。

健康診断の採血結果や、睡眠時間などの日々のライフログも予測材料として使われています。

「Pep Up」を通じて血圧・睡眠時間・体重などを日常的に記録しているユーザーほど、PHRが予測に貢献する度合いが高いことが分かりました。

日々の健康記録が、SASのような病気の予兆発見に役立つことが科学的に示されています。

 

既存の健診データやライフログから「隠れSAS」をスクリーニング

 

このAIモデルを活用することで、特別な検査機器を使わなくても、すでにある健診データや個人のライフログからSASリスクが高いグループに該当することを知らせるアラートが可能になります。

リスクが高いと判定された人へ精密検査を促し、治療適応がある場合に早期治療へつなげる導線を作れます。

未治療のSASによる日中の強い眠気や集中力の低下は、プレゼンティズムやアブセンティズムを招き、労働生産性の低下につながることが知られています。

ハイリスク者を早く見つけて治療へ接続できれば、日中の眠気や集中力低下による仕事中の不調を把握する手がかりにもなります。

健診結果に加えて家庭で記録された血圧や睡眠時間なども用いることで、専門検査に進む前の段階でSASリスクに目を向ける手がかりになります。

日々のライフログを継続して残すほど予測への貢献度が高まる点は、普段の健康記録が将来の受診判断にもつながる特徴です。

未診断のままになりやすいSASを早く見つけ、精密検査や治療へつなぐ流れは、個人の健康管理と企業の健康施策の両面で判断材料になります。

健診データとライフログを組み合わせ、SASリスクの高い人を早く見つけるための研究成果です。

専門検査に進む前の段階でリスクに目を向けやすくなる、JMDC・オムロン・筑波大学「睡眠時無呼吸症候群リスク予測AIモデル」の紹介でした。

 

よくある質問

 

Q. 「睡眠時無呼吸症候群リスク予測AIモデル」は誰が開発しましたか？

 

A. JMDC、オムロン、筑波大学の共同研究グループが開発しました。

JMDCの医療データと、PHRサービス「Pep Up」に記録された日々のライフログデータを組み合わせています。

 

Q. AIモデルにはどのようなデータが使われていますか？

 

A. 仮名加工されたレセプトデータ、健康診断データ、PHRサービス「Pep Up」のライフログデータが使われています。

ライフログには家庭血圧、体重、睡眠時間、歩数などが含まれます。

 

Q. SAS予測モデルの精度はどのように示されていますか？

 

A. 予測性能を示すAUROCは0.898でした。

予測スコアが上位1％に入った人のうち約3割、上位10％に入った人のうち約1割が、実際にCPAP治療を受けているSAS患者に該当しました。

 

Q. 研究論文はどこに掲載されましたか？

 

A. 当該研究に関する学術論文は、国際学術誌「Sleep and Breathing」に掲載されました。