| Project/Area Number |
21H03164
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Single-year Grants |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 58010:Medical management and medical sociology-related
|
|---|
| Research Institution | Kochi University |
|---|
Principal Investigator |
奥原 義保 高知大学, 医学部, 名誉教授 (40233473)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
畠山 豊 高知大学, 教育研究部医療学系連携医学部門, 教授 (00376956)
宮野 伊知郎 高知大学, 教育研究部医療学系連携医学部門, 准教授 (00437740)
兵頭 勇己 高知大学, 教育研究部医療学系連携医学部門, 助教 (50821964)
瀬尾 宏美 高知大学, 教育研究部医療学系医学教育部門, 教授 (80179316)
安井 繁宏 高知大学, 教育研究部医療学系連携医学部門, 助教 (00535346)
|
|---|
| Project Period (FY) |
2021-04-01 – 2024-03-31
|
| Project Status |
Completed (Fiscal Year 2023)
|
| Budget Amount *help |
¥18,070,000 (Direct Cost: ¥13,900,000、Indirect Cost: ¥4,170,000)
Fiscal Year 2023: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
Fiscal Year 2022: ¥1,820,000 (Direct Cost: ¥1,400,000、Indirect Cost: ¥420,000)
Fiscal Year 2021: ¥14,560,000 (Direct Cost: ¥11,200,000、Indirect Cost: ¥3,360,000)
|
|---|
| Keywords | 臨床推論 / real-world data / 知識データベース / 推論システム / 臨床推論システム / 診療支援システム / 臨床推論推論 / Real World Data |
|---|
| Outline of Research at the Start |
診療における推論過程は、臨床推論という形で様々な定式化が行われ、その大まかな道筋は広いコンセンサスを得ている。しかし、この過程は、医師としての経験を積むほど自動化され意識され難くなり、大規模なエビデンスに基づく検証はこれまで行われていない。本研究では、高知大学医学部総合医療情報システムに保存されている34万人の患者データという我が国最大規模の電子化診療データを推論用に知識データベース化、仮説推論と確率的推論を適用することによって、臨床医の推論過程を定式化、診断・治療推論システムとして実装し、その妥当性および有効性を評価する。
|
| Outline of Annual Research Achievements |
今年度は、初診時記録に対し、まず疾患分類各クラスでの名詞単語出現比率を求め、クラス間の差と件数が多い単語を選択、単語の肯定・否定も考慮した特徴語とし、これらと診断病名の関係を、Naive Bayes, Exact Bayes, logistic回帰、相関分析、決定木を用いて検討、臨床推論システム構築に適しているか評価した。
対象は高知大学の電子カルテシステムであり、ある主訴の患者が特定の診断病名であるか否かの2クラス分類で評価した。その結果、相関分析はルールの組み合わせが膨大になること、決定木は正解率が分岐によってばらつきがあり樹構造の最適化に汎用的な基準がないことから、いずれも推論システム構築には適さないと判断した。
残りの3方法については、正解率は、Exact Bayesが最も良かったものの、Exact BayesとLogistic回帰については、多数の疾患とその特徴量の組み合わせが極めて多くなることから知識データベース化は簡単ではないと考えられる。Naive Bayesの場合、特徴量が多くない場合はlogistic回帰と同等かそれ以上の正解率であり、特徴量が多数で正解率が低い場合でも、Logistic回帰のstepwise法で特徴量を絞り込めばlogistic回帰と同等の正解率となった。また、Exact Bayesと比べて90%から87%程度の精度であった。さらに、必要なのは、各疾患の各特徴量に対する感度と特異度で、データベース化は容易であり、候補病名が複数である他クラス分類への拡張とアブダクション推論への発展も容易である。
これらのことから、Naive Bayesによる統計的推論およびアブダクション推論の組み合わせによる推論システムの構築が最も有望であると考えられる。Exact Bayes, logistic回帰については教師データ構築に有用と考えられる。
|
| Research Progress Status |
令和5年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
令和5年度が最終年度であるため、記入しない。
|
