| Project/Area Number |
20K10390
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 58010:Medical management and medical sociology-related
|
|---|
| Research Institution | Nihon University |
|---|
Principal Investigator |
前田 幸宏 日本大学, 医学部, 助手 (10287641)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
根東 義明 日本大学, 医学部, 教授 (00221250)
渋谷 昭子 日本大学, 医学部, 助教 (20611619)
市川 理恵 日本大学, 医学部, 助教 (00826761)
|
|---|
| Project Period (FY) |
2020-04-01 – 2024-03-31
|
| Project Status |
Completed (Fiscal Year 2023)
|
| Budget Amount *help |
¥2,080,000 (Direct Cost: ¥1,600,000、Indirect Cost: ¥480,000)
Fiscal Year 2022: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2021: ¥520,000 (Direct Cost: ¥400,000、Indirect Cost: ¥120,000)
Fiscal Year 2020: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
|
|---|
| Keywords | 医療の質 / 医療の質評価 / 頭部外傷 / 予後予測モデル / 臨床評価 |
|---|
| Outline of Research at the Start |
本研究の目的は、頭部外傷領域において、リスク因子に基づく予後予測モデルとして実績のある TRISS、CRASH、IMPACTという3つの手法について、日本での適応状況を検証することである。また、その結果を踏まえ、重症頭部外傷領域における日本の現状に最適な予後予測モデルを策定することである。
研究方法については、最初に、JNTDBのデータを用い、TRISS等の各モデルの手法に基づき個々の症例の予後の予測結果を推計する。ロジスティック回帰分析を行い、AUCを算定することにより予測精度を評価する。次に、モデルの予測精度および臨床面での実用性等を踏まえてリスク因子を選定し、予測モデルを策定する。
|
| Outline of Annual Research Achievements |
本研究の目的は、頭部外傷領域において、リスク因子に基づく予後予測モデルとして海外での研究実績のあるTRISS、CRASH、IMPACTという3つの手法について、日本の臨床データでの適応状況を検証することである。本研究では日本頭部外傷データバンク(JNTDB)プロジェクト2015に登録されているデータを用い、TRISSによる退院時生存率（Ps）の予測、CRASHおよびIMPACTによる受傷後6か月の時点での予後（GOSに基づいたFavorable outcomeとUnfavorable outcomeの2区分）の予測について検証を行った。統計分析は、各モデルの手法に基づき個々の症例の予測結果を推計し、ロジスティック回帰分析を行いAUC（Area Under the Curve）を算定することにより予測モデルの精度を評価した。使用したデータはGCS3からGCS8までの重症頭部外傷症例788件である。退院時生存症例は474件（60.2%）、死亡症例は314件（39.8%）であった。
退院時生存率については、TRISSのAUCは0.66であった。受傷後6か月の時点の予後については、CRASH basicは0.86、CRASH CTは0.86、IMPACT coreは0.83、IMPACT extendedは0.85であった。いずれも比較的高い値を示しており、TRISS、CRASH、およびIMPACTの予後予測モデルは、日本の重症頭部外傷の評価に有効であると考える。
次に日本の現状に基づく予後予測モデルの策定に向け分析を行った。その結果、CT画像所見、散瞳拡大、血糖値を説明変数として加えるとAUCが高くなる傾向がみられた。本研究ではロジスティック回帰分析を用いているが、変数選定および変数のカテゴライズにおいてAI等の活用による多面化についても検討すべきと考えられた。
|
