介護予防C型データ: 探索的層別化解析

セグメント回帰 / Johnson-Neyman法 / ロジスティック回帰 / 決定木 (n=68-75)

2A: セグメント回帰分析

手法: 区分線形回帰（Piecewise Linear Regression）
目的: 連続変数間の関係にブレイクポイント（閾値効果）があるか検証
判定基準: 傾きの差のp値 + AIC比較（ΔAIC > 2 でセグメントモデル優位）
説明変数 目的変数 n BP (95%CI) BP前傾き BP後傾き 傾きの差 AIC(線形) AIC(分割) ΔAIC
通所回数 フレイル得点変化量 75 11.94
(9.1-11.9)		 0.0494 -1.5785 -1.6279
p=0.7145		 206.5 208.3 -1.9
線形で十分
年齢 フレイル得点変化量 75 73.00
(73.0-82.0)		 -0.1298 0.0240 0.1538
p=0.2421		 207.1 207.7 -0.6
線形で十分
初回TUG(秒) TUG変化量(秒) 75 11.84
(9.2-12.9)		 -0.2214 -0.7545 -0.5331 *
p=0.0005		 265.2 254.5 10.7
セグメント優位
初回握力max(kg) 握力変化量(kg) 75 17.43
(15.0-26.8)		 -0.3872 -0.0517 0.3355
p=0.0892		 345.3 344.2 1.0
線形で十分
初回歩行速度(m/s) 歩行速度変化量(m/s) 75 1.32
(1.0-1.7)		 -0.4699 -0.1079 0.3620
p=0.1578		 4.0 3.9 0.1
線形で十分
初回フレイル得点 フレイル得点変化量 75 2.71
(1.0-3.0)		 -0.7324 -0.3353 0.3971
p=0.3393		 169.1 170.1 -1.0
線形で十分
* p<0.05 で傾きの差が有意。ΔAIC > 2 でセグメントモデルが実質的に優位。
セグメント回帰分析

2B: Johnson-Neyman法による交互作用解析

手法: ロジスティック/線形回帰に交互作用項を投入 → p<0.1でJN法実施
目的: 調整変数のどの値域で焦点変数の効果が有意になるか特定
JN閾値: 条件付き効果の95%CIが0を跨ぐ/跨がない遷移点
交互作用 n 交互作用係数 p値 JN閾値
年齢×通所回数→フレイル改善 75 0.0076 0.8280 N/A
初回フレイル得点×通所回数→フレイル改善 75 -0.0192 0.8771 N/A
性別×初回TUG→TUG改善量 75 -0.0615 0.5401 N/A
年齢×初回フレイル得点→フレイル改善 75 0.0139 0.7718 N/A
主観的健康感変化×初回フレイル得点→フレイル改善 75 0.5091 0.1289 N/A
* p<0.05, + p<0.1

有意な交互作用が検出されなかったため、JNプロットは生成されていません。

2C: フレイル改善の予測因子スクリーニング

単変量ロジスティック回帰

手法: 各候補変数を単独でロジスティック回帰に投入
スクリーニング基準: p<0.2 の変数を多変量モデルに投入
変数 n OR 95%CI p値 多変量
年齢 75 0.968 0.882 - 1.063 0.4995
性別 75 0.375 0.132 - 1.063 0.0651 * 対象
BMI 75 0.858 0.739 - 0.996 0.0448 ** 対象
初回フレイル得点 75 1.737 1.046 - 2.885 0.0327 ** 対象
通所回数 75 0.833 0.647 - 1.073 0.1572 + 対象
初回TUG 75 0.805 0.670 - 0.968 0.0210 ** 対象
初回握力max 75 0.954 0.882 - 1.031 0.2311
初回歩行速度 75 1.247 0.386 - 4.029 0.7125
初回2STEP値 75 4.182 0.210 - 83.237 0.3484
初回主観的健康感 75 0.775 0.486 - 1.234 0.2825
初回転倒恐怖 75 0.773 0.429 - 1.395 0.3928
初回関節痛数 75 1.908 1.018 - 3.575 0.0439 ** 対象
初回多剤服用 75 0.725 0.277 - 1.900 0.5133
初回筋質点数 75 1.042 1.003 - 1.083 0.0329 ** 対象
** p<0.05, * p<0.1, + p<0.2（多変量モデル投入候補）

多変量ロジスティック回帰

変数 調整OR 95%CI p値
性別 0.618 0.160 - 2.378 0.4835
BMI 0.884 0.735 - 1.063 0.1912
初回フレイル得点 2.628 1.315 - 5.255 0.0063 **
通所回数 0.924 0.705 - 1.212 0.5694
初回TUG 0.766 0.591 - 0.995 0.0454 **
初回関節痛数 1.777 0.831 - 3.797 0.1380
初回筋質点数 1.050 1.001 - 1.101 0.0448 **
ROC-AUC
0.831
Pseudo R-squared
0.268
AIC
91.8
H-L検定 p値
0.480
ROCカーブ

2D: 決定木による探索的分類

手法: DecisionTreeClassifier (max_depth=3, class_weight='balanced')
目的: 非線形・交互作用を含む予測構造の視覚的把握
注意: 過学習の可能性があるため、結果は探索的な知見として解釈すること

特徴量重要度

変数重要度バー
初回フレイル得点 0.3103
初回筋質点数 0.2831
初回歩行速度 0.2394
初回TUG 0.1672
特徴量重要度

決定木ルール

|--- 初回フレイル得点 <= 2.50
|   |--- 初回筋質点数 <= 39.00
|   |   |--- 初回TUG <= 7.70
|   |   |   |--- class: 1
|   |   |--- 初回TUG >  7.70
|   |   |   |--- class: 0
|   |--- 初回筋質点数 >  39.00
|   |   |--- 初回歩行速度 <= 0.99
|   |   |   |--- class: 0
|   |   |--- 初回歩行速度 >  0.99
|   |   |   |--- class: 1
|--- 初回フレイル得点 >  2.50
|   |--- 初回TUG <= 13.14
|   |   |--- 初回筋質点数 <= 24.00
|   |   |   |--- class: 1
|   |   |--- 初回筋質点数 >  24.00
|   |   |   |--- class: 1
|   |--- 初回TUG >  13.14
|   |   |--- class: 0

決定木の可視化

決定木
正解率
0.853
ROC-AUC
0.896
使用変数数
4
解釈上の注意:
(1) 本解析は探索的分析であり、多重検定の補正は行っていない。有意な結果は確認的研究で検証が必要。
(2) サンプルサイズが小さい（n=68-75）ため、特に多変量モデルと決定木の結果は過学習のリスクがある。
(3) 決定木は交差検証を行っていないため、トレーニングデータでの性能は楽観的な推定値である。
(4) Johnson-Neyman法の閾値は、データの範囲内での推定であり、外挿には注意が必要。

Generated: 2026-03-27 | Python (statsmodels, scikit-learn) | [AI-Structure]