| Project/Area Number |
20K17709
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 55030:Cardiovascular surgery-related
|
|---|
| Research Institution | Chiba University |
|---|
Principal Investigator |
乾 友彦 千葉大学, 医学部附属病院, 助教 (70816503)
|
|---|
| Project Period (FY) |
2020-04-01 – 2023-03-31
|
| Project Status |
Granted (Fiscal Year 2021)
|
| Budget Amount *help |
¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2021: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
Fiscal Year 2020: ¥2,600,000 (Direct Cost: ¥2,000,000、Indirect Cost: ¥600,000)
|
|---|
| Keywords | Apple watch / 心房細動 / 機械学習 / 人工知能 |
|---|
| Outline of Research at the Start |
pAFは重篤な血栓塞栓症を発症する危険因子である。昨今、脈拍数を始めとする生体情報を簡便に計測可能なスマートウォッチなどのウェアラブルデバイスが一般に普及しつつある。同装置を利用した診断アルゴリズムにより無症候性pAFを発見し、適切な治療介入を行うことができたなら、pAFから引き起こされる心原性塞栓症を予防できる可能性がある。データ解析に機械学習を導入することで、膨大なデータから複雑なパターンを抽出し、精度の高い個別予測を行うことが可能となる。本研究では心臓手術術後患者においてスマートウォッチからデータを収集し、機械学習を適用することで、pAF発生を高精度に検出するアルゴリズムを開発する。
|
| Outline of Annual Research Achievements |
本研究はApple watchなどのスマートウォッチに搭載されたPPG技術を使用して計測された脈拍データに対し、機械学習を適用することで、発作性心房細動発生（pAF）を高精度に即座に検出、診断するアルゴリズムを開発することを目的としている。複数のパラメータに基づく予測において、従来の統計的方法では多重共線性や過学習などの問題が発生し、予測精度が低下することが知られているため、Gradient Boosting TreeやRandom Forestといった機械学習手法を用いることで、多数のパラメータから高精度な予測を行う。機械学習による診断性能は学習量によって向上することが知られており多くのデータが必要となるが、まずは80例のデータを取得し、この内10～15例のデータを利用して診断アルゴリズムの基盤を作成し、残りの症例データで検証も行うこととした。千葉大学医学部附属病院倫理委員会の承認を得て2021年3月末の時点までに80症例のデータを取得し、すべての症例データは千葉大学病院データセンターに登録した。
現在これらのデータを機械学習モデルに適応できるパラメーターに変換して解析を進めている段階である。解析結果は感度特異度90%以上と制度が向上しているが、まだ予測因子の検証や診断における重要因子の算出、さらに周波数解析等新しい解析も組み込んで改良中である。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
2021年7月から3月31日までに心臓手術症例80名のデータを連続して取得した。術前患者データ、手術実施前後一般病棟においてテレメトリー心電図、スマートウォッチを同時装着し脈拍データを持続的に長期間にわたり1症例あたり最長２週間連続測定した。モニター心電図で発作性心房細動が疑われた場合には、１２誘導心電図を実施し2名の心臓専門医師により診断基準に基づき診断し、発症時間、停止時間をテレメトリー心電図で確認し記録を行った。12誘導を取得できなかった短時間のpAFに関してはテレメトリー心電図を確認し、同様に2名の心臓専門医師により診断を行なった。その他の不整脈についてもテレメトリー心電図をすべて確認し、不整脈持続時間とラベリングを行なった。
スマートウォッチのその他の機能として、加速度センサーデータも取得する計画であったが、加速度測定アプリケーションを作成したもののApple watch内へのデータ保持に問題があり、アプリケーションの作成に時間を要したため、本年度以降のデータ収集を予定している。
これまでの収集データについてはデータセンターでデータ固定済みであり千葉大学病院人工知能医学教室の協力の下でデータ解析を実施中である。更なるデータ収集に向けて再度臨床試験審査にプロトコール提出を準備している。
|
| Strategy for Future Research Activity |
本年度は80症例のデータを元に千葉大学医学研究院附属治療学人工知能研究センターが保有するGPUを使用して機械学習を適応して発作性AF診断アルゴリズムを開発する。機械学習による診断性能は学習量によって向上するため、今後もさらなるデータ収集を継続していく。新たにApple Watchシリーズ7以降にSPo2データ取得も可能となったため、追加してデータ収集を行い不整脈発症との関連性を分析していく。加速度センサーが実働できるようになればそれらのデータも組み込み解析を進める。
pAf診断アルゴリズムが完成した後、Apple Watch用にアプリケーションを作成しアルゴリズムの診断精度を前向きに検証していくことを検討している。入院患者で行なった後に、外来通院患者においても検証対象を拡大していく。
学習によって得られた機械学習モデルをさらに分析していくことで、pAF発生時に発生する心拍変動のパターンの発見や、pAF発生の事前予測にも繋げられると期待される。
|
