排総研ブログ

  養父市と日立は、AIを活用したヘルスケアチェックサービスを構築し、高齢者の認知機能低下の早期発見と孤立防止、ウェルビーイング向上を目指しています。 開発内容 🧠🏡 目的 ：高齢化が進む中、認知症の早期発見と孤立リスクの低減、個々の生活の質（ウェルビーイング）向上を支援。 サービス内容 ： 認知機能の状態や生活環境をチェックするWebサービスを養父市民向けに提供。 AIによる分析を通じて、個人に適した社会参加やつながりの場を紹介。 「マイナンバーカード」や養父市独自の「やっぷるカード」で本人確認し、サービスを利用可能。 主な機能 ： 認知機能チェック ：電話ガイダンスや質問応答を通じてAIが認知状態を客観的に評価。 生活振り返りチェック ：幸福度や生活満足度を6項目で可視化し、改善のヒントを提供。 個別アドバイス ：AIが健康・生活データを分析し、相談窓口や地域活動の情報を提案。 背景 ： 日本では2030年に認知症患者が約523万人に達する見込み。 養父市でも高齢化に伴い、認知症や孤立の課題が深刻化。 今後の展望 ： 市民の趣味やライフスタイルに応じた社会参加を促すAIリンクワーカー支援システムの導入を検討。 他自治体への展開も視野に入れ、持続可能な地域共生社会の実現を目指す。 この取り組みは、医療・福祉だけでなく、地域社会全体で高齢者の健康とつながりを支える新しいモデルとして注目されています。

認知症予防・改善アプリ『mimi』は、Gemini AIを活用してユーザーごとに最適化された認知機能トレーニングを提供する革新的なアプリです。個人の状態に応じた問題生成や音声・画像認識機能を通じて、継続的な予防・改善を支援します。 🧠『mimi』の概要と目的 Google Cloud主催のAI Agent Hackathon で開発された認知症予防・改善アプリ。 認知症の早期発見・早期介入を目指し、 個別最適化されたトレーニング を提供。 世界的に認知症患者が急増する中、 持続可能で効果的な予防手段 として注目。 🔍主な機能と特徴 個別最適化された問題生成 ユーザーの年齢・性別・認知機能レベル・生活習慣を分析し、Gemini AIが最適な問題とTo Doリストを自動生成。 問題の難易度はAIが自動調整し、モチベーション維持を支援。 多様な認知機能トレーニング テキスト入力型問題 に加え、 画像認識問題 や 音声問題 にも対応。 過去の写真を活用した回想法により、記憶を刺激する設計。 音声対話機能 Speech To Text / Text To Speechを活用し、発話によるトレーニングを実現。 会話を通じて認知機能の維持・改善を図る。 🎯対象ユーザー 認知機能の低下が気になる高齢者 認知症予防に関心のある人 認知症の家族を支援したい介護者 🚀今後の展望 画像からの問題自動生成 や 進捗に応じた問題調整 など、さらなるパーソナライズ機能の実装。 医療機関・介護施設との連携による実証実験。 多言語対応 でグローバル展開を目指す。 このアプリは、AI技術を活用して認知症予防・改善に新たな可能性を示すものであり、今後の発展が期待されています。詳細は Zennの記事 をご覧ください。 zenn.dev Gemini AIを活用して認知症予防・改善アプリを開発【AI Agent ...

  大塚製薬が発表した「認知症ケア支援VR」は、介護者が認知症の方の気持ちや行動の背景を理解し、適切な対応を学ぶための体験型プログラムです。2024年12月に販売開始しました。 このVRプログラムは、ジョリーグッド社との共同事業「FACEDUO（フェイスデュオ）」の一環として開発されました。以下のような特徴があります： 🧠 認知症ケア支援VRの概要 目的 ：認知症の方と介護者がともに充実した生活を送る「共生社会」の実現を目指す 対象 ：家族介護者、介護職、医療・福祉関係者など幅広い層 提供開始 ：2024年9月にプレリリース、12月に販売開始 🎥 プログラム構成（3つのテーマ） 認知症の症状の理解 家族目線で困惑する場面を体験し、症状への理解を深める 気持ち・行動の理解と対応の工夫 「きっかけ→気持ち・行動→対応」の流れで分析し、適切な対応方法を学ぶ リラックスVR 呼吸法などを通じて介護者自身のストレス軽減を図る 🧩 技術的特徴 実写VRと3Dグラフィックスの融合 により、リアルな体験と学びやすさを両立 専門医監修 ：慶應義塾大学医学部 精神・神経科の藤澤大介医師が監修 継続学習に配慮 ：ドクターや進行役がナビゲートし、学習支援者の負担も軽減 🌍 社会的背景と意義 2025年には認知症高齢者が約471.6万人、2040年には約584.2万人に増加と推定 家族介護者の約4割が「ビジネスケアラー」として仕事と介護を両立しており、年間約8兆円の生産性損失が指摘されている VRを通じて、認知症の方の視点を体験することで、 より優しいコミュニケーション や 介護者のメンタルケア に貢献 このVRは、自治体や企業、医療・福祉施設などでの導入が想定されており、今後さらにコンテンツの拡充が予定されています。詳細は FACEDUO公式ページ をご覧ください。 出典：大塚製薬ニュースリリース

Googleは生成AIを使って認知症患者の記憶を視覚化し、回想療法を支援するプロジェクト「Synthetic Memories」を開始。過去の記憶を呼び起こす手がかりとして、AI生成の画像や動画を活用することで、感情やつながりを深める新たなケアの可能性を探っている。 「忘れかけた記憶」をAIで生成するGoogleの取り組み Googleは、認知症患者の記憶想起を支援するための研究プロジェクト「Synthetic Memories」を発表。これは、 生成AIとアートを組み合わせて、過去の記憶を視覚的に再構成する ことで、回想療法（レミニッセンスセラピー）を強化する試み。 主なポイント AIが患者の記憶をもとに、 夢のような質感を持つ画像や動画 を生成。 写真や記録が残っていない古い記憶に対して、 パーソナライズされた視覚的手がかり を提供。 実際の事例では、アルツハイマー病の患者が語った記憶をもとに、革ジャケットやリュックなどの詳細を反映した画像を生成。 AIは「完璧な再現」ではなく、 記憶を呼び起こすためのプロンプト（手がかり） として活用される。 この取り組みは、 記憶・アート・テクノロジーの融合 によって、認知症ケアの新たな可能性を探るもの。 まとめ 「Synthetic Memories」は、認知症患者が 過去とのつながりを取り戻す ための支援ツールとして、生成AIを活用する革新的なプロジェクト。 記憶のニュアンスを視覚化することで、 感情やアイデンティティの再確認 を促し、より豊かなケア体験を提供することが期待されている。 【参考・引用文献】 文●サクラダ 編集●飯島恵里子／ASCII,「忘れかけた記憶」をAIで生成 グーグル、"合成記憶"で認知症患者の記憶想起を支援,ASCIIxAI,2025年04月25日更新,https://ascii.jp/elem/000/004/265/4265785/,(参照2025-10-2)

認知症の初期症状と生成AIの活用 1. 認知症の初期症状は見逃されやすい 「同じ話の繰り返し」「物忘れ」「時間や場所の混乱」など、加齢による物忘れと区別がつきにくい。 本人が自覚しにくく、家族も「年齢のせい」と見過ごしがち。 初期段階こそが、進行を遅らせるための重要な介入ポイント。 2. 生成AIが“違和感”の検出を支援 会話や記録から繰り返し発言や一貫性の変化を検出。 職員の記録を要約し、普段と異なる行動を抽出。 観察力とAIの解析を組み合わせることで、早期対応が可能に。 3. 現場での事例 在宅医療や通所施設で、AIが記録を分析し初期症状を可視化。 医師との連携がスムーズになり、早期診断・支援につながった。 職員の気づきに自信が持てるようになり、家族への説明にも説得力が増した。 4. 家族向けの支援アプリも登場 音声メモをAIが要約し、変化をレポート化。 医師への相談内容を整理してくれる機能も。 家族が専門知識なしでも支えになれる実感が得られる。 5. まとめ 認知症は誰にでも起こりうる身近なテーマ。 生成AIは“気づきのヒント”を与える補助ツールとして期待されている。 最終的な判断と寄り添いは人の役割。 「早すぎる対応」が本人と家族の安心につながる。 参考文献 ①古澤久志,"認知症の初期症状と生成AI",note,2025年4月7日更新,https://note.com/hwww/n/n9bcb468e993a,(参照2025-10-2)

生成AIに認知症検査を受けさせた研究の結果 イスラエルの研究チームが、ChatGPT・Gemini・Claudeなどの生成AIに人間用の認知症検査を実施したところ、 すべてのモデルに認知症の兆候が確認された 。 特にGeminiは重度認知症レベルのスコアで、最も高得点だったChatGPT 4oでも軽度認知症相当だった。 AIは視覚情報に基づく作業（空間認識や模写、時計描写など）を苦手としており、 人間の認知症患者に似た反応 を示す場面もあった。 また、共感性の欠如などから、 前頭側頭型認知症の兆候 と解釈される結果も見られた。 ただし、AIの知能は人間とは異なるものであり、今回の結果は「認知症と診断された」という意味ではない。 むしろ、 新しいモデルほどスコアが改善している ことから、今後の進化によってこうした弱点は克服される可能性がある。 参考文献 ①牡丹堂 (著)･パルモ (編集),生成AIに人間の認知症の兆候を確認,カラパイア,2025-02-26更新,https://karapaia.com/archives/490624.html,（参照2025-10-2）

生成AIが認知症にどう関わっているかを3つの視点から紹介します。 ① 認知症の予防・改善支援としての生成AI 生成AIは、認知症の原因や生活習慣との関係を分析し、 個人に合った改善方法の提案 ができるようになってきています。 たとえば、生活習慣病としての認知症に対して、AIが「食事・睡眠・運動・腸内環境」などの改善アドバイスを出すことで、 本人の行動変容を促す ことが期待されています。（文献①） ② 合成記憶による記憶支援 生成AIは、断片的な記憶をもとに画像や文章を再構成することができるから、 認知症患者が過去の記憶を思い出す手助け にも使われています。「そう、まさにこれだった！」という反応が出ると、 脳の活性化や感情の刺激 につながって、進行の抑制にも効果があるかもしれないと言われています。（文献②） ③ AI自身の認知機能を測る試み ちょっとユニークな話ですが、生成AIに人間用の認知症テストを受けさせた研究もあります。 結果は…なんと、 軽度認知症レベルのスコア を出したモデルもあったとのことです。これは「AIが人間の知能を模倣するなら、弱点も似てくるのでは？」という問いを投げかけてると考えられます。（文献③） まとめ 生成AIは、認知症の 予防・改善・記憶支援 に活用される可能性がある一方で、 人間の脆さを映す鏡のような存在 にもなっています。 技術と人間の関係を深く考える、すごく興味深いテーマです。 【参考・引用文献】 ①古澤久志,"認知症の初期症状と生成AI",note,2025年4月7日更新,https://note.com/hwww/n/n9bcb468e993a,(参照2025-10-2) ②文●サクラダ 編集●飯島恵里子／ASCII,「忘れかけた記憶」をAIで生成 グーグル、"合成記憶"で認知症患者の記憶想起を支援,ASCIIxAI,2025年04月25日更新,https://ascii.jp/elem/000/004/265/4265785/,(参照2025-10-2) ③牡丹堂 (著)･パルモ (編集),生成AIに人間の認知症の兆候を確認,カラパイア,2025-02-26更新,https://karapaia.com/archives/490624.html,（参照2025-10-2）

 塩野義製薬とFRONTEOっていう会社が、 スマホで使える認知症チェックのアプリ を作成したそうです。AIとちょっとおしゃべりするだけで、記憶力や言葉の理解力を調べられるそうです。 使い方はかんたん！「最近楽しかったこと」みたいな話題を選んで、5〜10分くらいAIの質問に答えるだけ。話した内容をAIが分析して、認知機能の状態を点数で教えてくれる。結果に合わせて「こんな生活をしてみよう」ってアドバイスもするそうです。 このアプリは、日本生命の認知症保険にくっついて使えるとのこと。他の保険会社や、銀行、運転免許センターでも使えるように広げていく予定だそうです！ さらに、病院で使える認知症チェックの機械も開発中で、2026年には使えるようにしたいって話です。認知症の早期発見や予防に役立ちそうだと考えられます。 【参考引用文献】 新聞記事,塩野義製薬、AI会話分析で認知機能を判定　FRONTEOとアプリ開発,日本経済新聞社,2025年9月3日更新,https://www.nikkei.com/article/DGXZQOUF0313G0T00C25A9000000/,（参照2025-10-02）

因果推論を用いたポジショニングが患者の褥瘡発生率に与える影響（3） 前回の特徴量に栄養状態や寝返り頻度を追加して、発生者（1）の再現率を上げたポジショニングが患者の褥瘡発生率に与える影響モデルで、「どの特徴量が褥瘡発生に強く影響してるか」を見ると予防や対策のヒントになります。 ロジスティック回帰では、 係数（coef_） を使って特徴量の影響度を確認するPythonコードを示します。 特徴量の係数を確認する次のコードを前回のコード末に追加する！ # 特徴量の名前と係数を取得 feature_names = X.columns coefficients = model.coef_[0] # DataFrameにまとめて、影響度順に並べる coef_df = pd.DataFrame({     '特徴量': feature_names,     '係数': coefficients }).sort_values(by='係数', ascending=False) print(coef_df) 出力結果 特徴量 係数 2 健康状態_悪い　 0.254712 1 性別_男性 　　 0.095983 3 健康状態_良好 　-0.008560 0 年齢 　　　-0.010082 4 ポジショニングの質_良い -2.244157 解釈のポイント 項目 意味 係数が正（＋） 褥瘡が発生しやすくなる方向に働く 係数が負（−） 褥瘡が発生しにくくなる方向に働く 絶対値が大きい　　　 影響力が強い（重要な特徴量） つまり、 ポジショニングの質_良い  の係数が -2.2 → 質が良いと褥瘡リスクが低減！ 健康状態_悪い  が +0.25 → 健康状態が悪いとリスク増！

因果推論を用いたポジショニングが患者の褥瘡発生率に与える影響（2） 前回の褥瘡発生者（1）の再現率を高めるために、 栄養状態 と 寝返り頻度 という2つの特徴量を追加して、モデルを再構築したPythonコードを考えます。 Pythonコード import numpy as np import pandas as pd from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report # 仮想データの生成 np.random.seed(0) data_size = 1000 age = np.random.normal(70, 10, data_size) gender = np.random.choice(['男性', '女性'], data_size) health_condition = np.random.choice(['良好', '中等度', '悪い'], data_size, p=[0.5, 0.3, 0.2]) positioning_quality = np.random.choice(['良い', '悪い'], data_size, p=[0.7, 0.3]) # 新しい特徴量の追加 nutrition_status = np.random.choice(['良好', '不良'], data_size, p=[0.6, 0.4]) turning_frequency = np.random.choice(['頻繁', '少ない'], data_size, p=[0.7, 0.3]) # 褥瘡発生のロジック（新特徴量も考慮） risk_score = (     0.3 +     0.5 * (positioning_quality == '悪い') +     0.3 * (nutrition_status == ...

【はじめに】 ポジショニングに関する仮想データを生成し、因果推論を用いて解析するシミュレーションモデルの例題を作成しました。このシナリオでは、ポジショニングが患者の褥瘡発生率に与える影響を調べます。そこで、 高齢者の褥瘡（じょくそう）発生リスク を予測するためのロジスティック回帰モデルを構築・評価するPythonコードを示します。   【例題の設定と前提条件】 仮想データセット : 1000 人の患者を想定し、それぞれについてポジショニングの質（良い / 悪い）、年齢、性別、既存の健康状態（良好 / 中等度 / 悪い）、褥瘡発生（はい / いいえ）のデータを生成します。 因果推論の目的 : ポジショニングの質が褥瘡発生にどの程度影響を与えるかを推定します。 統計モデル : ロジスティック回帰モデルを使用し、ポジショニングの質が褥瘡発生の確率に与える影響を分析します。     【 Python コード】 import numpy as np import pandas as pd from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report   # 仮想データの生成 np.random.seed(0) # 乱数生成のシードを設定します。これにより、毎回同じ乱数が生成されるようになり、結果が再現可能になります。 data_size = 1000 # データセットのサイズを 1000 と定義します。つまり、 1000 人分のデータを生成します。 age = np.random.normal(70, 10, data_size) # 正規分布に従う年齢データを生成します。平均年齢は 70 歳、標準偏差は 10 です。 1000 個の年齢データが生成されます。 gender = np.random.choice([' 男性 ', ' 女性 '], data_size) #1000 個の「男性」または「女性」の性...