「疫学」という言葉、あなたもニュースなどで一度は耳にしたことがあるかもしれませんね。特に新しい感染症が世界で広がると、専門家が「疫学的な観点から見ると…」と解説する場面をよく見かけるように思います。でも、この「疫学」が一体何をしている学問なのか、具体的にイメージするのは少し難しいかもしれません。
それは単に感染症の流行を追いかけるだけなのでしょうか？
実は、その活動範囲は私たちが想像するよりもずっと広く、そして奥深いものなんです。一言でその本質を表すなら、疫学は「集団の健康を探る壮大な探偵学」と言えるかもしれません。
目の前の一人の患者さんの症状を診て診断を下すのが「臨床医学」という”ミクロの視点“だとすれば、疫学は、都市や国、あるいは世界といった人々の集団を対象に、病気の分布やパターンを空から眺める”マクロの視点“を提供します。なぜこの地域で特定の病気が多いのか？ 新しい治療法は、集団全体で見て本当に効果があるのか？ そのような問いに、データの力で答えを導き出すのが疫学の役割なのです。
疫学の原点：ジョン・スノウとコレラの謎
この「探偵学」としての疫学の面白さを体現する、有名な物語があります。話は19世紀、産業革命期のロンドンに遡ります。当時、不衛生な都市部では猛毒の感染症であるコレラが繰り返し大流行し、人々は「悪い空気（瘴気）」が原因だと信じていました（Gordis, 2014）。
しかし、医師ジョン・スノウはそれに疑問を抱きます。彼はコレラ患者の発生場所を一軒一軒地図上にマッピングしていく、という極めて地道な調査を行いました。すると、ある奇妙なパターンが浮かび上がってきたのです。患者の発生が、ブロードストリートという通りにある特定の井戸の周辺に集中しているではありませんか。
スノウは「原因は空気ではなく、この井戸水に含まれる”何か”ではないか」という仮説を立てます。彼は行政を説得し、なんとその井戸のポンプのハンドルを外させてしまいます。すると、その日を境にその地区のコレラの発生は劇的に減少したのです。これは、統計データを用いて病気の原因を突き止め、具体的な対策（介入）によって集団の健康を守った、疫学調査の輝かしい原点と言えるでしょう。
このジョン・スノウの仕事は、まさに疫学の教科書的な定義、「集団における健康関連の事象の分布や決定要因を研究し、その知見を健康問題の制御に応用する学問」（Last, 2001）を、身をもって示したものでした。
このように、疫学は単なる数字の学問ではなく、人々の生活や環境に深く根ざした問題解決のための科学なのです。そして、その探偵活動のすべての始まりは、ジョン・スノウが地図に点を打ち込むことから始めたように、まず現状を正しく「数える」こと、つまり疾病の「頻度」を正確に測ることから始まります。
さあ、今回は私たちも探偵になった気分で、その基本中の基本の道具、「頻度を測るモノサシ」の使い方から学んでいきましょう。
探偵の基本ツール：「曝露」と「アウトカム」を使いこなす
さて、疫学という壮大な探偵活動を始めるにあたり、すべての基本となる２つのキーワードを手に入れましょう。それが「曝露（ばくろ, Exposure）」と「アウトカム（Outcome）」です。探偵が事件を整理するとき、「容疑者（要因）」と「事件の結末（結果）」を明確にするように、私たちもこの２つの視点で集団の健康問題を整理します。言葉は少し硬いですが、考え方は驚くほどシンプルですよ。
この関係性を、まずは一枚の図でイメージしてみてください。
「曝露」とは？ – “原因”の候補となる、あらゆるコト
曝露（Exposure）とは、ある健康状態の「原因」や「関連要因」と考えられる、あらゆる事柄を指します。重要なのは、これが必ずしも「悪いもの」を意味するわけではない、ということです。
疫学の世界では、非常に幅広い事象を「曝露」として扱います。ちょっと考えてみてください。
- 個人の行動: 喫煙、飲酒量、運動習慣、食生活（例：毎日コーヒーを飲むか）、睡眠時間など
- 医療的な介入: 新しい治療薬の投与、ワクチンの接種、手術の実施など
- 環境的な要因: 大気汚染のレベル、特定の化学物質への接触、職場の環境（例：夜勤があるか）、居住地の気候など
- 遺伝的な素因: 特定の遺伝子を持っているかどうか
ほら、病気の原因となりそうなものから、健康に良いとされる習慣、さらには医療行為そのものまで、すべてが「曝露」の候補になるんですね。要するに、健康状態に何らかの影響を与えうるものすべてが、私たちの調査対象になるわけです。
「アウトカム」とは？ – 曝露によって生じる”結果”
一方のアウトカム（Outcome）は、その曝露によって生じると考えられる「結果」です。こちらも同様に、必ずしもネガティブな結果だけを指すわけではありません。
- 疾病の発生: がんの診断、心筋梗塞の発症、うつ病の罹患など
- 状態の回復・改善: 病気からの回復、血圧の正常化、症状の緩和など
- 望ましくない事象: 死亡、後遺症の発生、薬剤の副作用など
- QOLの変化: 生活の質（Quality of Life）の向上または低下、患者報告アウトカム（Patient-Reported Outcome）の変化など
例えば、「新しい降圧薬（曝露）」の「血圧低下（アウトカム）」を調べることもあれば、「健康的な食生活（曝露）」が「QOL向上（アウトカム）」につながるかを調べることもあるのです。
疫学探偵の最終目標：単なる”関連”から”因果”へ
疫学の大きな目的の一つは、この「曝露」と「アウトカム」の間に、まずは統計的な**関連（Association）**があるのかを見つけ出すことです。そして、もし関連が見つかった場合、その次にもっとも重要な問いに挑みます。それは、「この関連は、本当に因果関係（Causation）と言えるのか？」という問いです。
有名な例で「アイスクリームの売上が増えると、溺死者数も増える」というデータがあります。これは統計的には事実、つまり「関連」はあります。しかし、「アイスクリームが原因で人が溺れる」と考えるのは、少しおかしいですよね？
実は、この背後には「気温が高い」という第3の要因（交絡因子と呼びます）が隠れています。気温が上がるから、アイスが売れ、同時に海や川で泳ぐ人が増えて溺死者も増えるわけです。疫学探偵の腕の見せ所は、こうした見せかけの関連に騙されず、真の因果関係に迫っていくことにあります。
この因果関係を探る旅に出るためにも、まずはその大前提として、アウトカム、つまり「疾病や健康事象が、そもそもどれくらいの頻度で起きているのか？」を正確に測る必要があります。それこそが、私たちが次に手にするツール、「有病率」と「罹患率」なのです。
「今、どれくらいいる？」を捉える静止画：有病率（Prevalence）
さて、疫学探偵のツールボックスから最初に取り出すのは、最も基本的で直感的なモノサシ、「有病率（Prevalence）」です。これは、ある特定の瞬間を切り取って、集団の中にその病気を持つ人がどれくらいの割合で存在するかを示す指標です（Rothman et al., 2008）。
イメージとしては、集団全体を写した一枚の「スナップ写真」、あるいは動画を特定のフレームで「一時停止」させた状態を想像してみてください。その写真に写っている人々のうち、「この病気を持っている人」に印をつけていくような作業ですね。
有病率の計算はとてもシンプル
例えば、ある会社の従業員1,000人を対象に、2025年8月24日に健康診断を実施したとします。その時点で高血圧と診断された人が100人いたとしたら、有病率はどう計算できるでしょうか？
その計算式は、見たままのシンプルな割り算です。
\[ \text{有病率 (Prevalence)} = \dfrac{\text{ある一時点での疾病を持つ人の数}}{\text{調査対象となった集団の総人口}} \]
この例に当てはめると、次のようになります。
\[ \dfrac{100 \text{人}}{1,000 \text{人}} = 0.1 \quad (10%) \]
つまり、この会社における高血圧の時点有病率（Point Prevalence）は10%となります。とても分かりやすいですよね。
なぜ「スナップ写真」が重要なのか？
この一見シンプルな指標が、実は非常に大きな力を持っています。有病率は、その病気が社会や医療システムに与えている「負荷（Burden）」の大きさを直接的に示してくれるからです。
例えば、日本の厚生労働省が定期的に行う「国民生活基礎調査」などでさまざまな病気の有病率が把握されています（厚生労働省, 2024）。有病率が高い病気に対しては、「より多くの外来診療の枠が必要だろう」「この治療薬は十分に供給しておく必要があるな」といった形で、国の医療政策やリソース配分を計画するための極めて重要な情報源となるのです。
有病率を動かす力：お風呂の水のダイナミクス
ここで、もう少し想像を膨らませて、この「スナップ写真」がどのような力学で出来上がっているのかを見てみましょう。そのために役立つのが、お風呂の湯船のたとえ話です。
この図が示すように、ある時点での湯船の水量（有病率）は、蛇口から注がれる新しい水の勢い（新しく病気になる人の数）と、排水口から抜けていく水の勢い（病気が治ったり亡くなったりする人の数）のバランスによって決まります。
このダイナミクスを、身近な2つの病気で比べてみると、より鮮明に理解できます。
- 風邪（急性疾患）の場合:
蛇口は勢いよく開かれ、多くの人が次々とかかります（高い発生率）。しかし、数日で治るため、排水口からもどんどん水が抜けていきます（罹病期間が短い）。結果として、ある一瞬を切り取った湯船の水量（有病率）は、それほど高くはなりません。 - 糖尿病や高血圧（慢性疾患）の場合:
蛇口から水が入る勢いは、風邪ほど激しくないかもしれません（発生率は中程度）。しかし、一度診断されると長く付き合っていく病気なので、排水口はほとんど閉じたままです（罹病期間が非常に長い）。そのため、水は年々少しずつ溜まっていき、湯船の水位（有病率）は非常に高くなる傾向があります。
このように、有病率という一枚のスナップ写真の裏側には、病気の発生率と罹病期間という、水の流れをコントロールするダイナミックな力が働いているんですね。このイメージを持っておくと、単に「有病率が高い/低い」という情報から、その病気の性質までをも深く読み解くことができるようになります。
「新しくどれくらい発生したか？」を撮るビデオカメラ：罹患率（Incidence）
有病率が時間を止めた「スナップ写真」だったのに対し、次なるモノサシ「罹患率（Incidence）」は、時間を再生しながら観察する「ビデオカメラ」のイメージです。ある健康な人々の集団を一定期間追いかけ、その間にどれくらい「新しく」病気が発生したか（罹患したか）を捉えます。これは病気が発生する勢いや流れを直接的に見るための指標です。
前回のお風呂のたとえで言うならば、罹患率はまさに「蛇口から新しく湯船に注がれる水の勢い」そのもの。この勢いが強いほど、病気の発生リスクが高いことを意味し、原因を探る上で極めて重要な手がかりとなります（Gordis, 2014）。
さて、この「ビデオカメラ」には、実は2種類の録画モードがあると考えてみてください。それぞれに得意な撮影方法があり、見えてくるものが少し異なります。
1. 累積罹患率 (Cumulative Incidence) – ゴールテープを切った人の割合
一つ目のモードは「累積罹患率」です。これは、特定の期間の「始まり」から「終わり」までを一つの区切りとして、その期間内にどれくらいの割合の人が病気になったかを見ます。しばしば、そのまま「リスク」という言葉で表現される、非常に直感的な指標です。
これをマラソン大会に例えてみましょう。
- 観察開始時点の集団 = スタートラインに並んだランナーたち
- 観察期間 = 「スタートから制限時間の5時間まで」
- 新規患者発生 = 制限時間内にゴールしたランナー
この場合、累積罹患率は「スタートしたランナーのうち、制限時間内にゴールした人の割合」となります。
\[ \text{累積罹患率 (Cumulative Incidence)} = \dfrac{\text{観察期間中に新たに発生した患者数}}{\text{観察開始時点でリスクのある（疾病を持たない）集団の人口}} \]
例えば、ある町のインフルエンザにかかっていない住民1,000人を、冬の3ヶ月間追跡調査したとします。その期間に150人が新たにインフルエンザと診断されたら、累積罹患率はどうなるでしょう。
\[ \dfrac{150 \text{人}}{1,000 \text{人}} = 0.15 \quad (\text{15%}) \]
「この冬、この町にいた場合、インフルエンザになるリスクは15%だった」と解釈できます。非常に分かりやすいですよね。しかし、この指標には一つ重要な注意点があります。それは、スタートしたランナー全員が、最後までレースを走り続けた（追跡できた）ことを前提としている点です。途中で引っ越したり、別の理由で亡くなったり、調査への協力をやめてしまったランナー（追跡脱落）がいると、その評価は不正確になる可能性があるのです（Rothman et al., 2008）。
2. 発生密度 (Incidence Density) – 病気の発生”スピード”を測る
そこで登場するのが、もう一つのより精密な録画モード、「発生密度」です。これは、マラソンを途中でリタイアした（追跡脱落した）ランナーがいても、全体の発生の「速さ」や「勢い」をより正確に評価するためのモノサシです。
その最大の工夫は、分母を単なる人数ではなく、「人年（person-year）」という「のべ観察時間（全ランナーが走った総時間）」で考える点です。これは車の燃費を「km/L」で評価するのに似ています。単に「何Lガソリンを使ったか」ではなく、「1Lあたり何km走れたか」という効率（＝速さ）を見るわけです。いわば、病気の発生スピードを測る速度計のようなものですね。
\[ \text{発生密度 (Incidence Density)} = \dfrac{\text{観察期間中に新たに発生した患者数}}{\text{対象者が疾病のない状態で観察された延べ時間}} \]
先ほどの追跡調査を、5人の住民の視点から見てみましょう。一人ひとりの観察期間がバラバラな状況を想像してください。
この場合、分子の「新規発生患者数」はBさんとEさんの2人です。分母の「のべ観察時間（人年）」は、全員が健康な状態で観察された期間を合計します。
- Aさん: 5年
- Bさん: 3年（発症した時点までをカウント）
- Cさん: 4年
- Dさん: 2年（追跡不能になった時点までをカウント）
- Eさん: 1年（発症した時点までをカウント）
合計: 5 + 3 + 4 + 2 + 1 = 15 人年
したがって、発生密度は以下のようになります。
\[ \text{発生密度} = \dfrac{2 \text{人}}{15 \text{人年}} \approx 0.133 \text{ 人/人年} \]
この「0.133 人/人年」という数字は、少し解釈にコツがいりますが、「もし100人の集団を1年間追跡したら、平均して約13人の新規患者が発生するくらいのスピードである」と理解すると、その勢いがイメージしやすくなります。
このように、発生密度は観察期間が人によって異なる、より現実世界に近い状況（長期にわたるコホート研究など）で、病気の発生速度を正確に評価するための非常に強力なツールなのです。
まとめ：3つのモノサシをどう使い分けるか？
いかがでしたでしょうか。今回は、疫学探偵が現場で最初に行う「現状把握」のための、3つの基本的なモノサシについて学んできました。それぞれが答えてくれる問いには、少しずつ違いがあります。
- 有病率が答える問い： 「今、この瞬間に、どれくらいの人がその問題を抱えているのか？」 (静的な大きさ)
- 累積罹患率が答える問い： 「この期間内に、新たに問題が発生するリスクはどれくらいか？」 (期間内のリスク)
- 発生密度が答える問い： 「そもそも、どれくらいの速さ（勢い）で新しい問題が発生しているのか？」 (動的な速さ)
これらの特徴を、最後にもう一度、一覧表で整理してみましょう。
| 指標 | たとえ話 | 何がわかるか？ | 主な用途・強み |
|---|---|---|---|
| 有病率 (Prevalence) | スナップ写真 （お風呂の水量） | ある一時点での疾病の大きさ・負荷 （静的なスナップショット） | 医療計画の策定、慢性疾患の負荷の把握。現状の規模感が一目でわかる。 |
| 累積罹患率 (Cumulative Incidence) | ビデオカメラ （マラソン完走率） | 一定期間内に病気になる確率（リスク） （直感的で分かりやすい） | 感染症の短期的な流行状況の報告、患者さんへの予後説明など、期間を区切ったリスク評価に。 |
| 発生密度 (Incidence Density) | ビデオカメラ+速度計 （車の燃費） | 病気が発生する速さ・勢い （より精密な動的評価） | 追跡期間が異なる長期コホート研究での病因探求。より正確な発生スピードを比較できる。 |
次なるステップへ：記述から分析へ、原因探求の旅が始まる
さて、これで私たちの手元には、集団の健康状態を正確に描き出すための基本的なツールが揃いました。これまでの作業は、いわば探偵が事件現場の状況をくまなく写真に収め、指紋を採取し、「いつ、どこで、誰が」といった基本情報を整理する「記述疫学 (Descriptive Epidemiology)」の段階です。WHO（世界保健機関）や日本の厚生労働省が発表する公的な保健統計も、まさにこの地道で重要な記述疫学の成果物なのです（WHO, 2024; 厚生労働省, 2024）。
しかし、優れた探偵は現状を記述するだけで満足はしません。ここからが、この物語の最もエキサイティングな部分です。
私たちは、ただ事実を並べるだけでなく、その背後にある「なぜ (Why)」という謎を解き明かしたい。そのために、次なるステージ「分析疫学 (Analytic Epidemiology)」へと足を踏み入れます。
分析の鍵は「比べる」こと
今回手に入れた「頻度」のモノサシを使い、いよいよ「容疑者の絞り込み」を行います。その方法は、極めてシンプルかつ強力です。それは、「比べる」こと。
つまり、「ある要因に曝露した集団」と「曝露していない集団」を並べて、両者のアウトカムの発生頻度に違いがあるのかを比較するのです。
この比較こそが、原因を探るための心臓部であり、私たちの調査は、今後このシンプルな図を何度も使うことになります。
この問いに統計的な答えを与えてくれるのが、次回以降に登場するリスク比やオッズ比といった、さらに強力な分析ツールです。これらのツールを手にすれば、私たちは単なる偶然の差を超えて、そこに意味のある「関連」があるのかどうかを科学的に論じることができるようになります。
現場の証拠は集まりました。次回から、いよいよ本格的な推理が始まります。どうぞ、お楽しみに。
参考文献
- Beaglehole, R., Bonita, R. and Kjellström, T., 2006. Basic Epidemiology. 2nd ed. Geneva: World Health Organization.
- Fletcher, R.H., Fletcher, S.W. and Fletcher, G.S., 2014. Clinical Epidemiology: The Essentials. 5th ed. Philadelphia: Wolters Kluwer.
- Friis, R.H. and Sellers, T.A., 2014. Epidemiology for Public Health Practice. 5th ed. Burlington, MA: Jones & Bartlett.
- Gordis, L., 2014. Epidemiology. 5th ed. Philadelphia, PA: Elsevier Saunders.
- Hennekens, C.H. and Buring, J.E., 1987. Epidemiology in Medicine. Boston, MA: Little, Brown.
- Kleinbaum, D.G., Kupper, L.L. and Morgenstern, H., 1982. Epidemiologic Research: Principles and Quantitative Methods. Belmont, CA: Lifetime Learning.
- Last, J.M. (ed.), 2001. A Dictionary of Epidemiology. 4th ed. New York, NY: Oxford University Press.
- Porta, M. (ed.), 2014. A Dictionary of Epidemiology. 6th ed. Oxford: Oxford University Press.
- Rothman, K.J., Greenland, S. and Lash, T.L., 2008. Modern Epidemiology. 3rd ed. Philadelphia, PA: Lippincott Williams & Wilkins.
- World Health Organization (WHO), 2024. Health topics: Epidemiology. Available at: https://www.who.int/topics/epidemiology/en/ (Accessed: 24 August 2025).
- 厚生労働省, 2024. 『国民生活基礎調査』. Available at: https://www.mhlw.go.jp/toukei/list/20-21.html (Accessed: 24 August 2025).
ご利用規約（免責事項）
当サイト（以下「本サイト」といいます）をご利用になる前に、本ご利用規約（以下「本規約」といいます）をよくお読みください。本サイトを利用された時点で、利用者は本規約の全ての条項に同意したものとみなします。
第1条（目的と情報の性質）
- 本サイトは、医療分野におけるAI技術に関する一般的な情報提供および技術的な学習機会の提供を唯一の目的とします。
- 本サイトで提供されるすべてのコンテンツ（文章、図表、コード、データセットの紹介等を含みますが、これらに限定されません）は、一般的な学習参考用であり、いかなる場合も医学的な助言、診断、治療、またはこれらに準ずる行為（以下「医行為等」といいます）を提供するものではありません。
- 本サイトのコンテンツは、特定の製品、技術、または治療法の有効性、安全性を保証、推奨、または広告・販売促進するものではありません。紹介する技術には研究開発段階のものが含まれており、その臨床応用には、さらなる研究と国内外の規制当局による正式な承認が別途必要です。
- 本サイトは、情報提供を目的としたものであり、特定の治療法を推奨するものではありません。健康に関するご懸念やご相談は、必ず専門の医療機関にご相談ください。
第2条（法令等の遵守）
利用者は、本サイトの利用にあたり、医師法、医薬品、医療機器等の品質、有効性及び安全性の確保等に関する法律（薬機法）、個人情報の保護に関する法律、医療法、医療広告ガイドライン、その他関連する国内外の全ての法令、条例、規則、および各省庁・学会等が定める最新のガイドライン等を、自らの責任において遵守するものとします。これらの適用判断についても、利用者が自ら関係各所に確認するものとし、本サイトは一切の責任を負いません。
第3条（医療行為における責任）
- 本サイトで紹介するAI技術・手法は、あくまで研究段階の技術的解説であり、実際の臨床現場での診断・治療を代替、補助、または推奨するものでは一切ありません。
- 医行為等に関する最終的な判断、決定、およびそれに伴う一切の責任は、必ず法律上その資格を認められた医療専門家（医師、歯科医師等）が負うものとします。AIによる出力を、資格を有する専門家による独立した検証および判断を経ずに利用することを固く禁じます。
- 本サイトの情報に基づくいかなる行為によって利用者または第三者に損害が生じた場合も、本サイト運営者は一切の責任を負いません。実際の臨床判断に際しては、必ず担当の医療専門家にご相談ください。本サイトの利用によって、利用者と本サイト運営者の間に、医師と患者の関係、またはその他いかなる専門的な関係も成立するものではありません。
第4条（情報の正確性・完全性・有用性）
- 本サイトは、掲載する情報（数値、事例、ソースコード、ライブラリのバージョン等）の正確性、完全性、網羅性、有用性、特定目的への適合性、その他一切の事項について、何ら保証するものではありません。
- 掲載情報は執筆時点のものであり、予告なく変更または削除されることがあります。また、技術の進展、ライブラリの更新等により、情報は古くなる可能性があります。利用者は、必ず自身で公式ドキュメント等の最新情報を確認し、自らの責任で情報を利用するものとします。
第5条（AI生成コンテンツに関する注意事項）
本サイトのコンテンツには、AIによる提案を基に作成された部分が含まれる場合がありますが、公開にあたっては人間による監修・編集を経ています。利用者が生成AI等を用いる際は、ハルシネーション（事実に基づかない情報の生成）やバイアスのリスクが内在することを十分に理解し、その出力を鵜呑みにすることなく、必ず専門家による検証を行うものとします。
第6条（知的財産権）
- 本サイトを構成するすべてのコンテンツに関する著作権、商標権、その他一切の知的財産権は、本サイト運営者または正当な権利を有する第三者に帰属します。
- 本サイトのコンテンツを引用、転載、複製、改変、その他の二次利用を行う場合は、著作権法その他関連法規を遵守し、必ず出典を明記するとともに、権利者の許諾を得るなど、適切な手続きを自らの責任で行うものとします。
第7条（プライバシー・倫理）
本サイトで紹介または言及されるデータセット等を利用する場合、利用者は当該データセットに付随するライセンス条件および研究倫理指針を厳格に遵守し、個人情報の匿名化や同意取得の確認など、適用される法規制に基づき必要とされるすべての措置を、自らの責任において講じるものとします。
第8条（利用環境）
本サイトで紹介するソースコードやライブラリは、執筆時点で特定のバージョンおよび実行環境（OS、ハードウェア、依存パッケージ等）を前提としています。利用者の環境における動作を保証するものではなく、互換性の問題等に起因するいかなる不利益・損害についても、本サイト運営者は責任を負いません。
第9条（免責事項）
- 本サイト運営者は、利用者が本サイトを利用したこと、または利用できなかったことによって生じる一切の損害（直接損害、間接損害、付随的損害、特別損害、懲罰的損害、逸失利益、データの消失、プログラムの毀損等を含みますが、これらに限定されません）について、その原因の如何を問わず、一切の法的責任を負わないものとします。
- 本サイトの利用は、学習および研究目的に限定されるものとし、それ以外の目的での利用はご遠慮ください。
- 本サイトの利用に関連して、利用者と第三者との間で紛争が生じた場合、利用者は自らの費用と責任においてこれを解決するものとし、本サイト運営者に一切の迷惑または損害を与えないものとします。
- 本サイト運営者は、いつでも予告なく本サイトの運営を中断、中止、または内容を変更できるものとし、これによって利用者に生じたいかなる損害についても責任を負いません。
第10条（規約の変更）
本サイト運営者は、必要と判断した場合、利用者の承諾を得ることなく、いつでも本規約を変更することができます。変更後の規約は、本サイト上に掲載された時点で効力を生じるものとし、利用者は変更後の規約に拘束されるものとします。
第11条（準拠法および合意管轄）
本規約の解釈にあたっては、日本法を準拠法とします。本サイトの利用および本規約に関連して生じる一切の紛争については、東京地方裁判所を第一審の専属的合意管轄裁判所とします。
For J³, may joy follow you.
