Co-creating data science solutions for maternal and child health decision-making in tribal primary health centres: an action research using the Three Co's Framework

この研究は、インドの先住民地域における母子保健の意思決定を支援するため、医療従事者と共同で定義・設計・改善を行う「3 つの Co」フレームワークを用いたアクションリサーチにより、現場のニーズに即したデータサイエンスソリューションを共同創出する手法の有効性を示しました。

要約

この論文は、**「インドの先住民（部族）が住む遠くの村で、お母さんと赤ちゃんの健康を守るために、現地の医療従事者と一緒に『データで見る未来』を作った物語」**です。

専門用語を全部捨てて、まるで**「村の地図とコンパスを一緒に作っている」**ようなイメージで説明しましょう。

🌍 背景：手元にあるのに、使えない「宝の地図」

インドの田舎、特に山や森に囲まれた先住民の村には、お母さんや赤ちゃんの健康に関するデータ（名前、年齢、受診歴など）が山ほどあります。しかし、問題は**「そのデータが、村の医者や看護師の手に届いていない」**ことでした。

• これまでのやり方（トップダウン）：
  首都や州の役所が「こんな表を作れ！」と上から指示を出します。でも、それは「国全体の統計」を作るためのもので、**「今、この村の A さんという赤ちゃんが予防接種を忘れていないか？」**という、現場の医者にとっての「今すぐ必要な情報」は出てきませんでした。
  • 例えるなら： 遠くの料理人が「世界中の料理の統計表」を作っているのに、村の料理人は「今夜の夕食に何を使えばいいか」が分からない状態です。

🛠️ 解決策：「三人の『共（とも）』」という新しい作り方

この研究では、**「上から指示する」のではなく、「現場の人と一緒に作る（共創）」という方法を取りました。そのためのルールが「Three Co's（3 つの共）」**というフレームワークです。

1. 共定義（Co-Define）：「何を作るか」を一緒に決める

まず、研究者と現地の医療従事者（医師、看護師、地域保健ボランティア）が集まりました。

• 発見： 彼らは「データ分析のスキルがないから困っている」のではなく、**「必要な情報が手元にないから困っている」**と言いました。
• 転換： 「もっとデータを分析しよう」ではなく、「どうすれば、必要な情報がすぐに見えるようになるか」という問題の捉え方自体を変えました。
• 例えるなら： 「もっと良いコンパスを作ろう」ではなく、「今、道に迷っているのはなぜか？目的地はどこか？」を一緒に話し合い、地図の書き方自体をゼロから考え直しました。

2. 共設計（Co-Design）：「道具」を一緒に作る

次に、実際に使えるツール（デジタルのダッシュボード）を作りました。ここが面白いのは、「データサイエンス（高度な数学やプログラミング）」も一緒に作られた点です。

• 5 つの成果物：

  1. 42 個の「健康のしおり」： 国が決めた難しいルールではなく、現場の医者が「これが見たい！」と言う具体的な指標（例：「妊娠 3 ヶ月で受診していない人」など）を 42 個決めました。
  2. データの「つなぎ方」： お母さん、赤ちゃん、医者、病院、村……これらをどうつなぐか、現場の知識でつなぎました。
  3. 間違い探し： データに間違いがないかチェックする「自動修正ロボット」を作りました。
  4. 村の境界線（地図）： 行政の地図は実情と合わなかったので、医者の「頭の中の地図」を使って、「どの村がどの病院の担当か」という境界線をゼロから描き直しました。
  5. 完成品（ダッシュボード）： これらを全部まとめて、スマホやタブレットでオフラインでも見られる、使いやすい画面を作りました。

• 例えるなら： 料理人が「どんな鍋が欲しいか」を話し合い、その鍋の形、素材、そして「火の入れ方」まで一緒に設計しました。その結果、**「村の料理人だけが使える、世界で一番使いやすい鍋」**ができました。

3. 共改良（Co-Refine）：使いながら直す

完成しても終わりません。実際に使ってみて、直すべきところを直しました。

• 途中で医者たちが異動（転勤）しても、**「新しい場所からでも WhatsApp でフィードバックを送る」**など、形にとらわれない付き合い方をしました。
• 例えるなら： 作った鍋を実際に使ってみて、「取っ手が熱いね」「もっと深さが欲しいね」と言い合いながら、使い勝手を良くし続けています。

📈 結果：何が変化したか？

• 現場の変化： 医者は「データがあるのに使えない」というストレスから解放され、「誰が今、予防接種が必要か」が一目で分かるようになりました。
• 組織の変化： 「データ成熟度」というテストでは、**「分析力（Analysis）」と「人材（Talent）」**のスコアが大幅に上がりました。
  • ただし、 インターネットが繋がらない、電力が不安定といった「インフラの問題」は、このツールだけでは解決できませんでした。これは「道具」の問題ではなく「社会の仕組み」の問題だからです。

💡 この研究のすごいところ（教訓）

1. 「問題」は現場が決めるべき：
   外から来た専門家が決めるのではなく、「困っている人」が「何が困っているか」を決めることが、一番の近道でした。
2. 技術も「一緒に」作れる：
   「データサイエンス」は難しい数学の専門家だけのものではなく、現場の知識と組み合わせれば、誰でも参加できる楽しい活動になりました。
3. 先住民の知恵の尊重：
   研究者は「先住民の村」に「知識」を教えに来たのではなく、「村の知恵」を「技術」と融合させるお手伝いをしました。

🎯 まとめ

この論文は、**「遠くの役所が作った完璧なマニュアル」ではなく、「現場の医者が『これだ！』と指差したものを、技術で形にして返す」**という、とても温かく、そして賢いアプローチの成功例です。

「地図は、歩く人が描くのが一番正確」。
この研究は、そのことを証明した素晴らしい物語なのです。

技術概要

この論文は、インドの先住民（部族）地域におけるプライマリ・ヘルス・センター（PHC）で、母性・児童保健（MCH）の意思決定を支援するためのデータサイエンス・ソリューションを、現場の医療従事者と共同で創出（Co-creation）した行動研究を報告しています。以下に、技術的な観点から詳細な要約を提示します。

1. 研究背景と課題（Problem）

• 文脈: 低・中所得国（LMIC）ではデジタルヘルスツールの導入が進められているが、インドの先住民地域における PHC では、既存の母性・児童保健データが局所的な意思決定に活用されていない。
• 根本的な問題:
  • トップダウン設計の失敗: 既存のデジタルツール（RCH ポータル等）は、上層部への報告（集計統計）を目的として設計されており、現場の医療従事者が直面する「個別の受益者への対応」や「地理的分散データに基づく予測的介入」というニーズと乖離している。
  • 設計と実態のギャップ: 接続性の不安定さ、デジタルリテラシーの差、季節的な通信途絶、移動する人口など、先住民地域の特有の制約を無視した汎用ツールは機能しない。
  • 問題定義の欠如: 現場の医療従事者は「データがない」のではなく、「自分のデータをアクション可能な形でアクセスできない」状態にあり、従来のアプローチではこの構造的な問題を正しく定義できていなかった。

2. 研究方法（Methodology）

本研究は、行動研究（Action Research）の枠組みを用い、**「Three Co's Framework（3 つの共創）」と「データサイエンス手法」**を組み合わせ、2023 年 8 月から 2024 年 8 月にかけて 2 つのサイクルで実施されました。

• 研究対象地: アンドラ・プラデシュ州、ITDA Rampachodavaram 管轄下の 3 つの先住民 PHC（Boduluru, Gangavaram, Vadapalli）。

• 参加者（共創者）: 5 名の医師（Medical Officers）、24 名の助産師（ANM）、36 名の社会保健活動家（ASHA）。

• フレームワークとプロセス:

  1. Co-Define（共定義）: 問題の再定義。
     • 医療従事者との対話を通じて、システム出力（集計値）と現場のニーズ（個別・地理的・予測的データ）のミスマッチを特定。
     • 臨床ワークフローに基づき、42 個の MCH 指標を共同で定義（例：RCH ポータルの硬直的な基準ではなく、妊娠週数や訪問間隔に基づく「未受診」の定義）。
     • 組織のデータ成熟度（DMA）のベースライン評価実施。
  2. Co-Design（共設計）: 技術的ソリューションの構築。
     • データモデリング: RCHID をキーとしたエンティティ関係モデル（Individual, Health-Service, Provider, Facility, Location）を構築し、PHC レベルから個別受益者までドリルダウン可能な構造を設計。
     • データ品質検証: R パッケージ pointblank を使用し、医師と共同で検証エージェント（Validation Agents）を構築。RCHID 形式、日付の論理的順序、生理学的範囲（ヘモグロビン値、出生体重など）をチェックし、現地の臨床知見（例：PVTG 集団における低出生体重の多さによる閾値の調整）を反映。
     • 空間分析と HFCA 境界の構築: 既存の行政境界が実態と合わないため、医師のローカル知識と Voronoi 分割を用いて、保健施設のカバーエリア（HFCA）をゼロから再構築。
     • インタラクティブ・ダッシュボード: R Shiny を使用したオフライン対応のダッシュボード開発。デザイン原則は「行動喚起型」「個別名優先」「デフォルトでのドリルダウン」「慣れ親しんだ UI（WhatsApp/スプレッドシート風）」「既存ワークフローの補完」の 5 点。
  3. Co-Refine（共改善）: 運用と改善。
     • 医師の異動後も WhatsApp 等を通じてフィードバックを継続。
     • 転勤した医師が新しい職場でも分析関与を維持し、学習が定着したことを確認。

• 評価指標:

  • Data.org のデータ成熟度評価（DMA）: 目的（Purpose）、実践（Practice）、人（People）の 3 次元で評価。
  • 空間統計: Moran's I を用いたクラスター分析（ANC カバレッジ、貧血有病率の空間的クラスター検出）。

3. 主要な成果と技術的貢献（Key Contributions & Results）

• 5 つの相互接続されたデータサイエンス・ソリューションの創出:

  1. 42 個の共同定義された MCH 指標: 臨床的実態に基づいた指標体系。
  2. 統合データモデル: 個別の受益者、サービス、提供者、施設、地理的位置をリンクさせた構造。
  3. データ品質フレームワーク: pointblank を用いた自動検証と、医師によるルール調整の仕組み。
  4. 再構築された HFCA 境界と空間分析: 医師の知識と GIS を融合させ、ANC カバレッジや貧血の有意な空間的クラスター（Moran's I = 0.28, p<0.001）を可視化。
  5. R Shiny ダッシュボード: オフライン動作可能で、ライフサイクル（妊娠～予防接種）と地理的ドリルダウンを組み合わせた UI。

• 組織的データ成熟度の変化:

  • DMA スコアはベースラインの 5.04 から 5.75 へ向上（+0.71）。
  • 最も大きな改善は「分析（Analysis）」分野（+1.90）と「人材（Talent）」分野（+1.15）で、ダッシュボードの活用と共創プロセスによる能力向上が示された。
  • 「実践（Practice）」分野（セキュリティ、インフラ）は改善されず（4.24 → 4.17）、構造的な制約（通信環境、セキュリティ基盤）はツール単独では解決できないことを示唆。

• プロセスの適応:

  • 医師の多忙と通信環境の制約から、従来のワークショップ形式ではなく、フィールド訪問中の短時間対話、非同期の WhatsApp 連絡、スクリーン共有など、分散型・反復的なアプローチを採用し、成功させた。

4. 意義と結論（Significance & Conclusion）

• 問題定義の重要性: 「Three Co's Framework」の最大の価値は、「Co-Define（問題定義）」を「Co-Design（解決策設計）」から明確に分離した点にある。これにより、外部から押し付けられた問題定義ではなく、現場が抱える構造的な課題（データアクセスの欠如）を再定義する余地が生まれた。
• データサイエンスの参加型アプローチ: データモデリング、品質検証、空間分析といった技術的作業が、単なるバックエンド処理ではなく、現場の医療従事者との協働プロセスそのものとなり得ることを実証した。
• 先住民地域への適用可能性: 限られたリソースとインフラ制約がある環境でも、 Insider（内部者）の研究者と現場の協働により、文脈に即したデジタルヘルスツールを開発可能であることを示した。
• 政策的示唆: インドの「Ayushman Bharat Digital Mission」など、LMIC におけるデジタルヘルス戦略において、過疎・先住民地域向けツールには、導入前の「Co-Define」プロセスを義務付けるべきである。

総じて、本研究は、データサイエンスを単なる技術的介入ではなく、現場の文脈とニーズを反映した参加型の実践として再構築し、先住民地域の保健医療意思決定を支援する有効なモデルを提示した点で極めて重要です。