インフルエンザ 死者数 日本 推移

Excess all-cause mortality during the COVID-19 pandemic in Europe - preliminary pooled estimates from the EuroMOMO network, March to April 2020. Excess pneumonia-influenza mortality by age and sex in three major influenza A2 epidemics, United States, 1957-58, 1960 and 1963. 2013;141(9):1996-2010. An improved algorithm for outbreak detection in multiple surveillance systems. Excess Deaths Associated with COVID-19 2020 [. 新型コロナウイルスによる死者数 インフルエンザによる死者数(2019年) アメリカ 173,145 34,157 日本 1,148 3,571 オーストラリア 463 – カナダ 9,095 – フランス 30,434 – ドイツ 9,249 – イ … 福富和夫, 橋本修二. 日本公衆衛生雑誌. 死者数は遅行指数、SARSよりインフルエンザと比較を－専門家 Robert Langreth、Michelle Cortez 2020年2月13日 12:46 JST 更新日時 2020年2月13日 22:38 JST Assaad F, Cockburn WC, Sundaresan TK. Methods for current statistical analysis of excess pneumonia-influenza deaths. 1980;8:53-6. 高橋美保子. 1981;113(3):215-26. Pooling European all-cause mortality: methodology and findings for the seasons 2008/2009 to 2010/2011. インフルエンザによる超過死亡の新しい定義とその推定方法の提案. Use of excess mortality from respiratory diseases in the study of influenza. 図2 日本の月次死者数の推移（国立感染研） 人口動態統計 でみても、表1のように、今年の死者は9月までの累計で約1万8000人減っている。 このペースだと、 今年の死者は昨年より約2 … BBCリサーチの集計によると、新型コロナウイルスの感染症「COVID-19」が原因という公式の死者数44万人に加え、少なくとも13万人がパンデミック（世界的流行）で死亡している。, 27カ国で発表された死者数の速報値を検討すると、パンデミック中の死者総数が多くの場所で平年より多い。COVID-19が死因だと公式に確認された死者数を考慮してもなお、死者数が平年より突出している地域もある。, 平年の死者数をもとにした予想死者数より多い、いわゆる「超過死亡」から、COVID-19パンデミックの影響で亡くなった人の数が、各国政府の公式発表よりも場所によってははるかに多いことがうかがえる。, COVID-19が直接の死因でありながら公式統計に記録されなかった人に加え、COVID-19が直接の死因でなくても、医療体制の逼迫（ひっぱく）など、新型ウイルスが間接的な原因になった人もいるかもしれない。, 2020年が例年通りだった場合に予想された週ごとの死者数。これが 予想される死者数と呼ばれる数で、例年の死者数から計算される。, 例年から予想される死者数を超える死者の数を 超過死者数と呼ぶ。今年は多くの国で多数の超過死亡が出ている。, 超過死亡に含まれる多くは COVID-19発症が確認されていた人たちだが、超過死亡の全員がCOVID-19で亡くなったとは限らない。, COVID-19以外の死因による超過死亡の中には、新型コロナウイルスのパンデミックが直接あるいは間接的に関係したケースもある, 新型ウイルス関連データの精度は、検査を受けている人数に影響される。病院以外で死亡した人を、政府が死者数に含めているかどうかも関係する。, ウイルスは段階的に世界各地に広まり、各国の対応はそれぞれアウトブレイクの時期によって異なっていた。場所によっては今後さらに、感染被害の数字が修正されるに伴い、超過死亡の人数が増え続ける可能性もある。それに対して、死者数が平年水準に戻りつつある場所もある。, アウトブレイク中の死者総数（死因は問わず）を前年同期と比べることで、パンデミックの真の死者数の規模が、暫定的ながらも把握できる。, 日本では今年1月に初の新型コロナウイルス感染者を確認した。しかし、COVID-19による死者数は相対的に少ない。, 4月半ばから全国的な緊急事態宣言が実施されたが、安倍晋三首相は5月25日にこれを解除した。国内で公式に確認された死者数は1000人に達していない。, それでも日本の超過死亡は少なく、新型ウイルスの被害が相対的に小さかったことを示している。, アメリカ の死者数は平年より 16% 高く、平年より 97300 人が多く死亡した, アメリカでは、新型コロナウイルスによる死者が最も多く確認されている。11万人以上がCOVID-19で死亡している。, カリフォルニア州など一部の州が素早く行動制限を実施し感染を抑え込もうとしたのに対して、ワイオミング州など複数の州は厳しい行動制限に抵抗して実施していない。, イギリス の死者数は平年より 43% 高く、平年より 64500 人が多く死亡した, イギリスでは4月17日に終わった週が感染のピークだった。超過死者数は1万2800人超で、そのうち9495人の死亡診断書にCOVID-19と記載されていた。, 長いことイギリスの感染ホットスポットだったロンドンでは、アウトブレイクが始まって以来、予想死者数の2倍近い死者が記録されている。, しかし、国内の全地域で超過死亡が出ている。パンデミック中に中西部や北西部の死者は平年の50％増だった。, 国内の大半の地域が感染ピークを過ぎたものの、イングランド東部で超過死亡が最も増えたのは5月29日に終わる週だった。, 徹底的な検査実施と接触者の追跡によって、死者総数を少なく抑え込むことに成功したとしばしば評価される。, 南東部・大邱で、宗教団体「新天地」に関連するとされる大人数の集団感染が発生し、一時期は毎日数百人の新規感染が確認されていた。, しかし、4月15日の総選挙では2900万人が投票したものの、選挙に関連するとされる新規感染はゼロだった。, インドネシア の死者数は平年より 55% 高く、平年より 4700 人が多く死亡した, インドネシア全土に対する全ての死因の死者数データは得られないものの、首都ジャカルタでの埋葬の数は、パンデミックの影響の指標になる。, 公式統計ではCOVID-19による死者はゼロとされるアンボン島でも、新型ウイルスによって生じた状況から3歳の息子が犠牲になったという家族がいる。, 中国以外で初めて感染者を確認したものの、タイの公式統計によると死者数は意外なほど少ない。, 感染者の確認が3月に急増したため、プラユット・チャンオチャ首相は国家非常事態を宣言した。しかし、死者数は最大で1日4人に留まった。, 同様に、全ての死因の死者総数は3月には平年を上回ったものの、4月と5月には平年レベルに戻った。, スウェーデン の死者数は平年より 24% 高く、平年より 4200 人が多く死亡した, スウェーデンの感染ピークは4月12日に終わる週にやってきた。1週間の死者数として、過去20年間で最多を記録した。, 隣国デンマークやノルウェーの死者総数が平年とほぼ同数だったのと対照的に、スウェーデンでは死者数が大幅に増えた。, スウェーデンはアウトブレイクを通じて全面的なロックダウンをせず、社会活動の大部分を継続した。その代わりに自発的な社会的距離の維持や、その他の限定的な対策を重視した。, スウェーデンのCOVID-19対応を主導した感染学者、アンデルス・テグネル博士は最近、厳しいロックダウンを強制しないという判断は、異論が多かっただけでなく、必要以上に多数の死につながったと認めた。, ただし、テグネル氏は「それでもこれがスウェーデンにとっては正しい戦略だと、基本的にはまだ考えている」と主張し、ウイルスとの戦いは「短距離走ではなくマラソンだ」と述べた。, ブラジル の死者数は平年より 38% 高く、平年より 19300 人が多く死亡した, ブラジルのデータはサンパウロ、リオデジャネイロ、マナウス、 レシフェ、サンルイス、フォルタレザのみのもの。予想される死者数は2019年同期のもの。, ブラジルのCOVID-19による総死者数は世界2番目。死者数は今も増え続けている。, 極右のジャイル・ボルソナロ大統領は、感染拡大の重大性を過小評価し、防疫対策を軽視してきたと内外から批判されている。, 最大都市サンパウロの市長は、新型ウイルス患者の急増で救急病床がひっぱくしており、市内の医療が近く崩壊しかねないと警告している, ベルギーは病院や介護施設でCOVID-19で亡くなった人数を数えた。COVID-19が確認された人数のほか、COVID-19が疑われる人数も含めている。, これはベルギーの死亡統計に反映されている。最初の数週間以降はCOVID-19の死者数が超過死亡の人数を超えた。, デンマークは欧州でも特に早期にロックダウンを実施した。新型コロナウイルスによる死者がまだ出ていない3月11日に、行動制限を開始した。, アウトブレイク中の総死者数はほぼ平年どおり。超過死亡の死因としては、COVID-19が最も多い。, フランス の死者数は平年より 25% 高く、平年より 28400 人が多く死亡した, フランスはアウトブレイク当初、病院で死亡した人しかCOVID-19の死者数に含めていなかった。介護施設での死者数を加えるようになったのは4月初めから。, フランスの感染ピークは4月5日で終わった週。平年より7000人以上が多く亡くなった。, ドイツの超過死亡は、同じ欧州のフランス、イタリア、スペイン、イギリスに比べるとはるかに少ない。, その後は、COVID-19関連とされない超過死亡とCOVID-19による超過死亡はほぼ同数だった。, イタリア の死者数は平年より 40% 高く、平年より 42900 人が多く死亡した, イタリアは3月初めに欧州で一番早く、全国的なロックダウンを実施した。北部の感染者数が急増していたため。, 最も被害の大きいロンバルディア州では、感染流行の最初の2カ月で予想死者数の2倍の人が亡くなった。, ピエモンテ州など他の北部地域の死者は平年より50％増。一方で中部や南部では平年より死者が減った地域もある。, スペイン の死者数は平年より 50% 高く、平年より 42900 人が多く死亡した, スペインは感染被害が特にひどかった国のひとつで、欧州でもとりわけ厳しいロックダウンが続いた。子供たちは6週間、外出が禁じられた。, ロシア･モスクワおよびサンクトペテルブルク の死者数は平年より 30% 高く、平年より 9100 人が多く死亡した, パンデミック期間中のロシアの全国的死亡データは得られないが、最大2都市のみのデータから、超過死亡が発生している傾向がうかがえる。, サンクトペテルブルクでは、感染流行はモスクワより遅れて始まった。4月の死者数は予想死者数とほぼ同じだった。, 南アフリカ の死者数は平年より 9% 低く、平年の死者より 7400 人少なかった, シリル・ラマポーザ大統領が宣言した厳格な全国的ロックダウンが3月26日に始まって以降、週ごとの死者数は激減した。, 南アフリカの疫学専門家、デビー・ブラッドショー教授は、「アルコール販売が禁止されたことで、殺人件数は半数近くに減った」と言う。, 「同時に、行動制限によって他の感染症も抑制できたようだ。冬季に多発するインフルエンザや重症肺炎の感染拡大も例年より少なかった」, 新型コロナウイルスの打撃が一番ひどい国はどこだと断定はできないものの、第一波の影響から大まかな比較はできる。, ペルー、チリ、ブラジルでは今も死者が増え続けているため、現地の状況は今後さらに変わる。, 一方で、死者数がピークに達し、ほぼ通常に戻った国々の状況は、相対的に安定している。, 死者数がほぼ平年通りに戻った中には、イギリス、スペイン、イタリア、ベルギーのように、アウトブレイク中の死者数が平年の3割以上も増えた国がある。, それとは対照的に、日本やドイツなど、週ごとの死者数が平年のプラスマイナス約5％の範囲内に収まった国が複数ある。, データを見方を少し変えて人口比の死者数を見たり、対象期間を同じ日数にして比較したりすると、また結果は少し違ってくる。, そのため、正確な被害程度のランキングは作れない。しかし、被害の大きかった国々の悲しいグループは特定できる。そして残念ながら、そのグループのメンバーは今後も増える一方だ。, 全ての死因の死者数を採用した。死亡統計は通常、各国の保健当局や統計当局などが記録し、公表している。集計･確認にはかなり時間がかかるため、最近の死者数の記録はいずれも速報値で、確定までには時間がかかる。確定値の死者数は通常、速報値よりも増えることが多い。, 超過死亡の人数は、過去の平均を超えた死者数を表す。年齢調整はされていないため、国ごとの人口構成の違いは反映しない。, パンデミック開始から少なくとも4週間にわたる期間について、死者数の頑健なデータを記録している場所を選んだ。信頼できる全国データが得られない場合は、完全なデータが得られる限定的な地域を対象にした。インドネシア･ジャカルタでは、市内の埋葬記録を死者数データの代わりにした。, 各地域のアウトブレイク開始時期は、COVID-19による5人目の死者を記録した週や月を起点としている。アウトブレイク期間は、大幅修正が想定されないデータが得られる最新の日付まで対象にしている。, ほとんどの場合、予想される死者数の基準値は、2015～2019年の5カ年の平均死者数を採用した。可能な場合は、その国の統計当局が人口変動やその他の環境要因から算定した、予想死者数を採用した。, 上の表で「特になし」と書かれている場合は、この場所の超過死者数はすべて公式の新型ウイルス死者数に含まれているか、超過死亡がなかったことを意味する。, 他の超過死亡の人数は、場所ごとにアウトブレイク期間中、死者総数からCOVID-19死者数を差し引いて計算した。, 公式なCOVID-19死者数は多くの場合、各国政府の公式発表をもとにしている。公式データが容易に得られない場合は、欧州疾病予防管理センター（ECDC）の集計データを使用した。, インドネシア･ジャカルタなど、ひとつの国の一部地域については、その地域限定のCOVID-19死者数を使用した。, Statistik Austria; Belgium Mortality Monitoring; Sciensano; Belgian Institute for Health; Civil Registry of Brazil; Chile Civil Registration and Identification Service; Chile Ministry of Science, Technology, Knowledge and Innovation; Chile Ministry of Health; Statistics Denmark; Ecuador General Directorate of the Civil Registry; Ecuador National Institute of Statistics and Census (INEC); French National Institute of Statistics and Economic Study (Insee); Germany Federal Statistics Office; DKI Jakarta Provincial Park and Forest Service; Iran National Organisation for Civil Registration: Italian National Institute of Statistics (Istat); Japan Bureau of Statistics: Ministry of Internal Affairs and Communications; Statistics Netherlands (CBS); Statistics Norway; Peru Ministry of Health; Peru National Information System of Deaths (SINADEF): Portugal Directorate-General for Health; Moscow Office of Civil Registration; Moscow Government; St Petersburg Office of Civil Registration; Statistical Office of the Republic of Serbia; South African Medical Research Council (SAMRC); South Africa Department of Statistics (Stats SA); Statistics Korea (KOSTAT); Institute of Health Carlos III (ISCIII), Spain; Mortality Monitoring Spain; Statistics Sweden; Federal Statistical Office Switzerland; Thailand Department of Provincial Administration; Istanbul Metropolitan Municipality; Tubitak (Scientific and Technological Research Council of Turkey); Office of National Statistics (ONS); National Records of Scotland (NRS); Northern Ireland Statistics; Research Agency (NISRA); State Statistics Service of Ukraine; American Centers for Disease Control and Prevention (CDC); US National Center for Health Statistics (NCHS); European Centre for Disease Prevention and Control (ECDC), Stéphane Helleringer, Associate Professor, Johns Hopkins University; Dr Bernardo Lanza Queiroz, Associate Professor of Demography, University Federal de Minas Gerais; Dr Hazhir Rahmandad, Associate Professor, MIT Sloan School of Management; Navid Ghaffarzadegan, Associate Professor, Virginia Tech University; Iran Ministry of Health, Mesut Erzurumluoglu, Research Associate, MRC Epidemiology Unit, University of Cambridge; Dr Yu Korekawa, Director for International Research and Cooperation, National Institute of Population and Social Security Research. インフルエンザの死者数は直接的な原因による死者数のほかに、慢性的な基礎疾患を有する患者への最後のとどめとなる間接的な死者数を推計する超過死亡概念があり、年により違いがあ … 1982;72(11):1280-3. そうした中、2009年には新型インフルエンザが発生し、死亡者数の急増が懸念されたが、幸いにも弱毒性の病原体であったので、日本における新型インフルエンザによる死亡者数は198人とそれほど多 … 第8回 みちのくウイルス塾 インフルエンザ流行の歴史と今回のパンデミックの位置付け 仙台医療センター ウイルスセンター Q： 何でソ連型（H1N1）がすでにあるのに 同じH1N1なのに新型と呼ぶの？ 日本における新型コロナウイルス感染症流行期（2020年1月～4月末）の超過死亡を推定した。 以上をまとめると、複数の都県において、数人から50～60人程度の超過死亡が2020年4月に観察された。多くの道府県におい … Serfling RE. An evaluation of influenza mortality surveillance, 1962-1979. Epidemiol Infect. Statistics in Medicine. 2020;25(26). 2012年～2020年の人口動態統計データを用いて、日本における新型コロナウイルス感染症流行期（2020年1月～4月末）の超過死亡を週別、都道府県別に推定した。欧米諸国と我が国における比較可能性を考慮し、米国疾病予防管理センター（Centers for Disease Control and Prevention：CDC）の用いるFarringtonアルゴリズム、および欧州死亡率モニター（EuroMOMO）の用いるFluMOMOモデルを用いた。結果、Farringtonアルゴリズムで超過死亡が検出されたのは、千葉県（47人：4月20日–26日、疫学週第17週）のみであった。またEuroMOMOアルゴリズムでは、栃木県（14人：2019年12月30日–2020年1月5日、疫学週第1週）、埼玉県（5人：4月13日–19日、疫学週第16週）、千葉県（61人：4月20日–26日、疫学週第17週）、東京都（55人：4月13日–19日、疫学週第16週）、徳島県（3人：4月13日–19日、疫学週第16週）で超過死亡が検出された。今後、死因を考慮した解析の有効性、環境因子を考慮した解析の検討を行う。, 本分析で観察された超過死亡は以下の内訳等の死亡の総和と解釈できる： １）新型コロナウイルス感染症を直接死因と診断され、（実際に）新型コロナウイルス感染症を原因とする死亡、２）新型コロナウイルス感染症を直接死因と診断されなかった（他の病因を直接死因と診断された）が、（実際には）新型コロナウイルス感染症を原因とする死亡、３）新型コロナウイルス感染症を直接死因と診断されず、（新型コロナ流行による間接的な影響で）他の病因を原因とする死亡（例えば、病院不受診や生活習慣の変化に伴う持病の悪化による死亡）。一方で、同時期に新型コロナウイルス感染症以外を直接死因とする死亡（例えば、交通事故死、自殺、インフルエンザ等他の感染症による死亡）が過去の同時期より減少した場合、新型コロナウイルス感染症を直接死因とする超過死亡を相殺することがあり得る。, FarringtonアルゴリズムとEuroMOMOアルゴリズムはどちらも既に実証、確立、実用されている手法であり、妥当性に関する優劣はつけ難い。Farringtonアルゴリズムのほうが保守的な結果、つまり超過死亡が出にくくなる統計的な計算結果が返されることが認められた。一方でEuroMOMOアルゴリズムは比較的に超過死亡は出やすくなる。これらのことを勘案し、両アルゴリズムの結果の間に真の超過死亡数があるだろう、と結論付けるのが良いと考える。, 温帯地域においてインフルエンザが大きく流行した冬は、流行の小さな冬に比べ死亡者数が増える現象は古くより観察されており、インフルエンザを直接死因とする死亡の増加のみならず、呼吸器疾患や循環器疾患など様々な疾患による死亡が増加することが知られている。このようなインフルエンザ以外の死因も含め、ある人口集団における死者数に対するインフルエンザ流行のインパクトを把握する目的で超過死亡の概念が用いられてきた。1973年にWHO(1)がインフルエンザ発生動向の監視や包括的健康影響評価を目的として超過死亡の概念を提唱して以降、世界的に広くその推定が行われてきた。我が国においても、インフルエンザ関連死亡者迅速把握事業等において1998年より超過死亡の推定が行われてきた(2)。新型コロナウイルス感染症の流行に伴い、米国CDC(3)やヨーロッパ24か国が参加するEuroMOMOネットワーク(4)などでは超過死亡推定法および推定結果を公表しており、我が国においても同様の対応が求められる。なお、本文書は新たな知見等を踏まえ、適宜更新することとする。, 本稿における超過死亡の定義は、特定の集団において、新型コロナウイルス感染症流行期（2020年1月以降）に、例年同時期の死亡数をもとに推定される死亡数（予測死亡数）の95%片側予測区間（上限）と実際の死亡数（観測死亡数）との差とする。ここで、「死亡数」が指すのは全死亡であり、新型コロナウイルス感染症のみならず特定の疾患に起因する死亡に限定しない。, 超過死亡の推定方法は、主なものでは、Serflingらの方法(5, 6)、Choiらの方法(7, 8)、河合・福富らの方法(9, 10)、Simonsenらの方法(11)、高橋らの方法(12)、感染研の方法(13)などが提案されている(14)。これらの方法はいずれもインフルエンザの流行による超過死亡推定を目的としており、インフルエンザ非流行時の死亡数をもとに予測死亡数を推定し、観測死亡数から減じることで超過死亡を求めている。一方で、米国CDC、欧州EuroMOMOでは、それぞれFarringtonアルゴリズム、FluMOMOモデルを用いて新型コロナウイルス感染症による超過死亡の推定を行っており、既に公表済みのこれら欧米諸国の超過死亡と我が国の超過死亡を比較することを考慮し、本報告ではCDCおよびEuroMOMOの解析法を用いて超過死亡を推定する。表１に各推定法の超過死亡表現法と採用モデルを記す。, 今回の超過死亡推定では、統計法第32条の調査票情報の提供による、厚生労働省人口動態調査における死亡票データを利用する。当該調査では、「戸籍法」および「死産の届出に関する規定」により届け出られた出生、死亡、婚姻、離婚及び死産の全数を対象としている。, 人口動態調査死亡票における確定数は調査年の翌年9月、概数のうち毎月のデータは調査月の約5か月後、毎年のデータ（年間合計）は調査年の翌年6月上旬、速報は調査月の約2か月後に公表されている。なお、都道府県別死亡数は、速報については死亡届が届け出られた都道府県に、概数や確定数については住所地の都道府県に計上している。ただし、死亡地となる都道府県の情報は人口動態調査では把握できていない。, 本分析では、東日本大震災(2011年)による一時的な死亡数増加によるバイアスの可能性を除くため、2012年以降のデータを用いることとする（予測死亡数推定にあたり、2012年以降の外れ値の除外は行わない）。2012年から2018年は確定数、2019年は概数、2020年1月分以降は速報を利用する。なお、初回の報告では2020年4月分までのデータを利用する。概数および速報は暫定値であり今後修正される可能性がある。, 本分析は、2012年から2018年の確定数、および2019年の概数データについては、集計客体（符号表項目名’客体設定’）が「日本における日本人」および「日本における外国人」のデータを利用する。また、都道府県別に行う都合、都道府県別分類（符号表項目名’都道府県’）が不詳のデータについては分析から除外する。また、2020年1月分以降の速報データについては、集計客体の項目がまだ付与されていないため、死亡場所（符号表項目名’国内外（死亡したところ）’）が海外、あるいは都道府県別分類（符号表項目名’都道府県’）が外国または不詳のデータを分析から除外することで、「日本における日本人」および「日本における外国人」のデータを同定する。都道府県別分類は住所地に基づくため、観光目的など短期滞在者の外国人は分析に含まれない。日別データから週別データへの変換は、国立感染症研究所の感染症発生動向調査週報の疫学週を用いる(15)。, （参考：厚生労働省ホームページ，人口動態調査・調査の概要　https://www.mhlw.go.jp/toukei/list/81-1b.html#05）, Farringtonアルゴリズムは、超過死亡を推定するために用いられる一般的な手法の一種であり、CDCでは、新型コロナウイルスに関連する超過死亡の推定に用いられている。本手法は、週毎の死亡の(1)傾向および不確実性の推定と、(2)予測および超過判定の二段階で構成されている。詳しい手法はFarrington et al. インフルエンザ流行による超過死亡の範囲の推定　年間死亡率と季節指数を用いた最小超過死亡の推定モデルの応用. インフルエンザの年間死者数はどのくらい？ 2018年のインフルエンザによる死亡者数は、厚生労働省が毎年発表している人口動態統計によると 3325人。この年、米国では1万人弱の死亡者数が報告されており、日本 … インフルエンザのヘルプナビ 数字でみるインフルエンザ 監修：日本臨床内科医会 インフルエンザ研究班 リサーチディレクター 12〜3月 国内では、インフルエンザの流行は例年11月下旬から12月にか … Time series forecasts of expected pneumonia and influenza deaths. 1973;49(3):219-33. 2000;21:265-7. 保健統計・疫学. Mortality during influenza epidemics in the United States, 1967-1978. (2013)(17)を参照。, まず、(1)傾向および不確実性の推定（dispersionパラメータ及び予測区間）についての概略を説明する。推定にはCDCの方法論に倣い、週あたりの死亡数を推定するためのquasi-Poisson regression（カウントデータの過分散（Over-dispersion）に対応するための一般化線形モデルの一種）を用いる。その際、推定に主に用いるデータを時間ごとに限定する。具体的には、ある時点（週）tから「数年前」の「予測したい週の前後数週間」（ウィンドウ期間と呼ぶ）のデータを主に用いてモデルの係数の推定を行う。後述の通り、ウィンドウ期間外のデータも推定する際のデータに含めることも可能である。次に推定された回帰係数（モデルの定式化は以下）を用いてモデルの不確実性を表すパラメータ（quasi-Poissonのdiseprsionパラメータ）を計算し、最終的に予測区間を構成する。最後に本研究では、季節性を考慮するために、1年のうちウィンドウ期間に入らなかった時点のデータを等分割してダミー変数として回帰モデルの中に含める。モデルの定式化は以下。, ただし、E( ) は期待値演算、Yt はある時点（週）tにおける死亡者数、α, βは回帰パラメータ（スカラー）、  は季節性を表す項でウィンドウ期間外の時点を等分割（本研究では9分割）しダミー化したベクトル、  はダミー変数に対応する回帰パラメータ（ベクトル）である。本研究においては、5年前までの前後3週間をデータとして用いて推定を行う（Rコード内の補足資料1ではそれぞれb=5、w=3を設定）。感度分析としてこのウィンドウ期間を変化させその結果の頑健性を確認する（b=3,4およびw=2,4を検討）。, 次に(2)予測および超過判定について説明する。(1)で推定した回帰モデルを用いて、予測死亡数を点推定し、同時に推定の不確かさの指標である95%片側予測区間（上限）を算出する（統計学的に予測死亡数の取り得る範囲の上限値）。, 観測死亡数と95%片側予測区間（上限）の値を比較し、観測死亡数がそれらを超過した場合、超過死亡としてフラグを立てる（超過死亡数＝観測死亡数と95%片側予測区間（上限）の差）。また、その超過死亡数の不確かさの尺度評価として、超過死亡上限値として観測死亡数と点推定した予測死亡数の差を求め、補足資料で提示する。以上がFarringtonアルゴリズムの概略である。なお、本アルゴリズムのRコードは補足資料1を参照。, EuroMOMOネットワークでは超過死亡推定に通常FluMOMOモデルを用いている。同モデルの詳細はEuroMOMOウェブサイト(18)、出版物(19, 20, 21)を参照。, 本モデルはquasi-Poisson regressionを用いた時系列解析である。2012年1月～2020年1月の週別死亡者数時系列データを用いて、2020年1月～4月の予測死亡数を推定した。三角関数sin, cosを用いて過去に毎年繰り返される（死亡数の）季節性をモデル化し、当該年度の同期間も同じ季節性が再現されると仮定し、予測死亡数を推定するものである。季節性のモデル化にあたっては、1年および6か月間を1周期とする、周期の異なるsin, cos波をそれぞれモデルに投入した。高齢化にともなう死亡数の経年増加や年々変化する環境要因等の影響を考慮する目的で、週の線形項を用いて長期トレンドをモデル化した。, E( ) は期待値演算、α, β は回帰パラメータ（スカラー）、Yt はある時点（週）t における死亡者数を表す。感度分析としてこの線形項t を自然3次スプラインに拡張し、その自由度を2もしくは3と変化させ、結果の頑健性を確認する。, 残差を2/3乗することで正規近似を行い、95%片側予測区間（上限）を求めた上で、観測死亡数と95%片側予測区間（上限）の値を比較し、観測死亡数がそれらを超過した場合、超過死亡としてフラグを立てる（超過死亡数＝観測死亡数と95%片側予測区間（上限）の差）。また、その超過死亡数の不確かさの尺度評価として、超過死亡上限値として観測死亡数と点推定した予測死亡数の差を求め、補足資料で提示する。なお、本アルゴリズムのRコードは補足資料2を参照。, 死亡票の速報において報告遅れの補正方法について検討する。ここで報告遅れとはある月の死亡データが1ヶ月以上遅れて報告されることを指す。, 本推定（7月末時点）では、速報データとして1–4月までのデータを利用しており、ここから各月の報告遅れを推定することを考える。米国CDCではzero-inflated binomial hierarchical Bayesian models などを用いて報告遅れをモデル化しているが、本推定では4ヶ月の月次データしかないことを考えると、このようなパラメータ数の多いモデルは推定困難である。したがって、本研究ではシンプルな報告遅れの補正モデルを考える。また上記のような使用可能なデータの制約から以下のような仮定をおく。, ある県i (都道府県番号)の時点t の時点d における報告死亡数を とする。例えば、月次データを考えると、東京都(都道府県番号i=13)の1月の死亡者数が3月に遅れて報告された場合は と記述する。ある県iにおいて報告遅れは以下の報告行列 の上三角成分として表現可能である。 の行は死亡月を、列は報告月を表す。以下は、1–4月の場合の例を示す。, 我々は7月現在、この の情報を保持しており、ここから1–4月の報告遅れの数を推定する問題を考える。仮定1より1月は全ての報告遅れはあるものの、それらは全て報告済みであると考える。したがって仮定1より、推定すべきは である。仮定2より各月の報告遅れは同一の分布に従うと考えられることを念頭に置き、以下のような推定量を提案する。, 現在は1–4月で考えているが、今後新しいデータが来た場合でも、ある連続する4ヶ月(仮定1)を切り出し、その最初の月を報告行列の1月成分と再定義することで一般化可能である。, 次に推定された報告遅れの死亡者数を用いて、県iにおける各月の報告遅れ割合を以下のように推定する。, 最後に死亡表の個票(日毎データ)を週別に集計する際に各月毎に推定された報告遅れ割合を加重しながら集計することで報告遅れ補正済みデータとして扱う。ある月内では月頭も月末も同じ重みをかけることは仮定3より正当化される。, 特に断りのない限り、本超過死亡推定の結果はこの補正済みデータを用いた推定結果である。また、本分析に使用された都道府県別の週別の死亡者数、および速報の補正済みデータは、補足資料3を参照。, 2020年1月以降（感染研疫学週における第1週＝2019年12月30日–2020年1月5日から）、超過死亡が検出されたのは、千葉県（47人：4月20日–26日、疫学週第17週）のみであった。表2は都道府県別の超過死亡数のリストである。週別の超過死亡は別添図1（補正あり）、図2（補正なし）を参照。, 図1：Farrington アルゴリズムに基づく週別の超過死亡、速報の補正あり（2017年から。十字は超過死亡フラグ＝観測死亡数＞95%片側予測区間（上限）の値）, 図2：Farrington アルゴリズムに基づく週別の超過死亡、速報の補正なし（2017年から。十字は超過死亡フラグ＝観測死亡数＞95%片側予測区間（上限）の値）, 2020年1月以降、速報補正後に超過死亡が検出されたのは、栃木県（14人：2019年12月30日–2020年1月5日：疫学週第1週）、埼玉県（5人：4月13日–19日、疫学週第16週）、千葉県（61人：4月20日–26日、疫学週第17週）、東京都（55人：4月13日–19日、疫学週第16週）、徳島県（3人：4月13日–19日、疫学週第16週）であった。表2は都道府県別の超過死亡数のリストである。週別の超過死亡は別添図3（補正あり）、図4（補正なし）を参照。, 図3：EuroMOMOアルゴリズムに基づく週別の超過死亡、速報の補正あり（2017年から。十字は超過死亡フラグ＝観測死亡数＞95%片側予測区間（上限）の値）, 図4：EuroMOMOアルゴリズムに基づく週別の超過死亡、速報の補正なし（2017年から。十字は超過死亡フラグ＝観測死亡数＞95%片側予測区間（上限）の値）, なお表2の超過死亡推定値は、両アルゴリズムで推定された2020年1月から4月までの週別の超過死亡の積算であり（初週は2019年12月30–31日含み、最終週は4月26日までである）、CDCの方法論に倣い、観測値が95%片側予測区間（上限）を超えていない場合はゼロとしてカウントしている。同様に、全国の超過死亡推定値は、各都道府県の推定値を積算している。, 図1–4の週別の超過死亡の実数は、補足資料4を参照。表2の全国の超過死亡と図1–4における全国の超過死亡は一致しない：前者は47都道府県別の超過死亡の積算を全国の超過死亡としているのに対し、後者は47都道府県別の観測死亡数、予測死亡数、95%片側予測区間を毎週ごとに積算した上で、超過死亡のフラグを立てているためである。, 以上をまとめると、複数の都県において、数人から50～60人程度の超過死亡が2020年4月に観察された。多くの道府県においては、超過死亡は検出されなかった。, 観測死亡数と予測死亡数の差（超過死亡上限値）は補足資料5を参照、さらにFarringtonアルゴリズムおよびEuroMOMOアルゴリズムの感度分析の結果はそれぞれ補足資料6、7を参照。, 1)   新型コロナウイルス感染症を直接死因と診断され、（実際に）新型コロナウイルス感染症を原因とする死亡, 2)   新型コロナウイルス感染症を直接死因と診断され、（実際には）新型コロナウイルス感染症を原因としない死亡（例えば、実際の死因はインフルエンザだが、新型コロナウイルス感染症が死因と診断された死亡。新型コロナウイルス感染症の診断がPCR検査に基づく現状では、ほぼ該当例はないと考えられる。）, 3)   新型コロナウイルス感染症を直接死因と診断されず（他の病因を直接死因と診断された）、（実際には）新型コロナウイルス感染症を原因とする死亡, 4)   新型コロナウイルス感染症を直接死因と診断されず、（新型コロナ流行による間接的な影響で）他の病因を原因とする死亡（例えば、病院不受診や生活習慣の変化に伴う持病の悪化による死亡）, 一方で、同時期に新型コロナウイルス感染症以外を原因とする死亡（例えば、交通事故死、自殺、インフルエンザ等他の感染症による死亡）が過去の同時期より減少した場合、新型コロナウイルス感染症を直接死因とする超過死亡を相殺することがあり得る。, FarringtonアルゴリズムとEuroMOMOアルゴリズムに基づく超過死亡の推定結果の差異については、アルゴリズム（予測死亡数や95%片側予測区間の推定方法）が異なるので結果に多少違いが生じることは想定される。どちらの方法論も既に実証、確立、実用されている手法であり、優劣はつけ難い。Farringtonアルゴリズムのほうが保守的な結果、つまり超過死亡が出にくくなる統計的な計算結果が返されることが認められた。一方でEuroMOMOアルゴリズムは比較的に超過死亡は出やすくなる。これらのことを勘案して両者を併記し、FarringtonアルゴリズムとEuroMOMOアルゴリズムの両者の結果の間に真の超過死亡数があるだろう、と結論付けるのが良いと考える。, 今回は全死亡の超過死亡を推定したが、2020年各月の概数値データが得られ次第、必要に応じて以下の死因を考慮した解析の有効性等を検討する。, 気温およびインフルエンザの流行は死亡数に影響を及ぼすことが知られており、これら環境因子等を考慮した解析を今後検討する。, -    気温（暑さ・寒さ）の影響を補正後の超過死亡を推定。気温の影響を考慮する際、測定誤差を小さくするため、日別解析を行などの工夫が必要となる。, -    感染症発生動向調査週報 (IDWR)や病原微生物検出情報 (IASR)を用いてインフルエンザ流行の影響を補正後、超過死亡を推定, 補足資料3：2012年第1週からの都道府県別の週別の死亡者数（速報値については補正あり・なし両方）。, 補足資料4a-d：a-dそれぞれ図1–4の実数値。2017年からの都道府県別と全国の週別の予測死亡者数、および95%片側予測区間（上限）値。, 補足資料5：2020年1月から4月までのFarringtonアルゴリズムおよびEuroMOMOアルゴリズムに基づく推定超過死亡上限値（観測死亡数と予測死亡数の差）（補正あり・なし両方）。, 補足資料6：Farringtonアルゴリズムの感度分析結果（2020年1月から4月までのFarringtonアルゴリズムに基づく推定超過死亡数および推定超過死亡上限値）（補正あり）：(a) b=3, w=4; (b) b=4, w=2, (c) b=3, w=4, (d) b=4, w=4。, 補足資料7：EuroMOMOアルゴリズムの感度分析結果（2020年1月から4月までのEuroMOMOアルゴリズムに基づく推定超過死亡数および推定超過死亡上限値）（補正あり）：(a) 自由度=2; (b) 自由度=3。, 「新型コロナウイルス感染症等の感染症サーベイランス体制の抜本的拡充に向けた人材育成と感染症疫学的手法の開発研究」（厚生労働科学研究令和2年度）, Copyright 1998 National Institute of Infectious Diseases, Japan, https://www.mhlw.go.jp/toukei/list/81-1b.html#05）, https://www.niid.go.jp/niid/index.php/ja/ja/flu-m/flutoppage/2112-idsc/jinsoku/131-flu-jinsoku.html, https://www.cdc.gov/nchs/nvss/vsrr/covid19/excess_deaths.htm, https://www.niid.go.jp/niid/ja/calendar.html, https://www.euromomo.eu/how-it-works/methods/, インフルエンザの流行がない場合の死亡数の95%予測区間※１上限値と実際の死亡数との差, インフルエンザの流行がない場合の死亡数の95%予測区間※１限界値（下限値、上限値）と実際の死亡数との差, 例年同時期の死亡数をもとに推定される死亡数の95%片側予測区間（上限）と実際の死亡数（観測死亡数）との差, 過去数年間の同じ週の前後数週間の区間データを主に用いてモデルの係数を推定（Quasi-Poisson regression）。それ以外の区間は季節性の調整のためにダミー変数として入れることも可能。, 過去全期間の死亡数をもとに推定される死亡数の95%両側予測区間（上限）と実際の死亡数（観測死亡数）との差, 週数とフーリエ項を用いた回帰モデル（Quasi-Poisson regression）, ※１ インフルエンザの流行がない場合の死亡数（実現値）が0.95の確率でとると考えられる値の範囲.