眾所周知，疾病預防行為、服藥依從性、多次就診等與健康相關的行為（依從性）不僅對治療結果有很大影響，而且對醫療財務也有很大影響。例如，據報導，提高服藥依從性不僅可以減輕患者的疾病負擔，還可以減輕經濟負擔，並且由於多次就診的常態化，人們擔心醫療費用會增加。
醫療/長期護理保險隨著資金緊張，希望利用有助於新疾病預防和財務管理的長期風險評估和預測模型。然而，由於多種複雜因素交織在一起，很難在常規臨床試驗中評估依從性對臨床經濟的影響。
因此，東京大學醫學研究生院醫學經濟政策特聘教授Tomoyuki Takura將醫學大數據和機器學習（人工智能：AI）應用於依從性，以減輕臨床經濟負擔。新開發了一個模型（醫療資源結果的依從性評分：ASHRO），可預測長期（48 個月）對醫療/長期護理成本、生命預後和其他臨床指標的影響。在東京大學管理的醫療大數據中，對心血管領域約 5 萬人的隊列進行了驗證，計算出 ASHRO 與醫療/長期護理費用之間的對應關係，由位移比與隊列。創建了一個標準的 ASHRO 分數。
由於這個分數可以預測目標人（被保險人或患者）未來的臨床經濟風險，管理員可以管理保險財務（醫療/護理），醫務人員可以促進疾病預防。用於減輕疾病負擔，促進社會保障發展。此外，該小組目前正在推動肌肉骨骼和腎功能衰竭等其他領域的類似研究，有望為整個醫療系統的可持續發展做出貢獻。
