A validation of mathematical models of predicting future incidences of stroke and cardiovascular disorders for residents who have been receiving annual medical check-ups using deep learning

脳心事故の予測モデルを作成する予備実験として、介護老人保健施設職員のストレスチェックを含む健康調査の職域コホート627人データから欠損値を除くデーターマイニングを実施後、離職者をふくむベースラインデータを用いてtensorflow（Google）およびKeras （Python2.6）、numpy、 pandas、 Matpotlib、 Scikit-leaningを用いた。それらは、Windows10にダウンロードし、anaconda2.4の環境下でJupiter notebookを使用した。訓練に使用する単層ニューラルネットワークモデルは全結合型ニューラルネットワークを用いた。中間層1層（ノード10）、エポック数300、バッチサイズ20を構築した。研究に必要なPCスペックは、離職予測モデルの訓練と予測値の推定に、メモリ32GB、CPUはインテル CoreTM i7、スケーラブル・プロセッサー、NVIDIA GPUのハイパフォーマンスを発揮するGPGPU のWindows10（64ビット）PCを用いた。モデル構築手法として、2017年以降、5年間にわたり、ストレスチェックを含む健康調査を実施している介護老人保健施設職員の継続調査において、入職者と退職者の名簿を入手することが可能であり、5年間経過した2021年において191人の離職者情報を得た。2017年職域コホート627人をベースライン集団として5年間の離職者と在籍者の2017年アンケート問診データを用い、機械学習の一つである単層ニューラルネットワークモデルに基づき将来の離職者を予測するモデルを構築した。離職の有無に対して、性別、調査日年齢、ストレスチェック57項目からSLNNの重みを更新する学習データ(train)を構築し、精度と損失関数を求め、モデル適正を決定した

脳心事故の予測モデルを作成する予備実験として、介護老人保健施設職員のストレスチェックを含む健康調査の職域コホート627人データから欠損値を除くデーターマイニングを実施後、離職者をふくむベースラインデータを用いてtensorflow（Google）およびKeras （Python2.6）、numpy、 pandas、 Matpotlib、 Scikit-leaningを用いた。それらは、Windows10にダウンロードし、anaconda2.4の環境下でJupiter notebookを使用した。訓練に使用する単層ニューラルネットワークモデルは全結合型ニューラルネットワークを用いた。中間層1層（ノード10）、エポック数300、バッチサイズ20を構築した。研究に必要なPCスペックは、離職予測モデルの訓練と予測値の推定に、メモリ32GB、CPUはインテル CoreTM i7、スケーラブル・プロセッサー、NVIDIA GPUのハイパフォーマンスを発揮するGPGPU のWindows10（64ビット）PCを用いた。モデル構築手法として、2017年以降、5年間にわたり、ストレスチェックを含む健康調査を実施している介護老人保健施設職員の継続調査において、入職者と退職者の名簿を入手することが可能であり、5年間経過した2021年において191人の離職者情報を得た。2017年職域コホート627人をベースライン集団として5年間の離職者と在籍者の2017年アンケート問診データを用い、機械学習の一つである単層ニューラルネットワークモデルに基づき将来の離職者を予測するモデルを構築した。離職の有無に対して、性別、調査日年齢、ストレスチェック57項目からSLNNの重みを更新する学習データ(train)を構築し、精度と損失関数を求め、モデル適正を決定した