| Project/Area Number |
21K10871
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 58070:Lifelong developmental nursing-related
|
|---|
| Research Institution | Shikoku University |
|---|
Principal Investigator |
横関 恵美子 四国大学, 看護学部, 講師 (50746279)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
山本 耕司 四国大学, 経営情報学部, 教授 (70182623)
池本 有里 四国大学, 経営情報学部, 講師 (50612058)
木田 菊惠 四国大学, 学際融合研究所, 特別研究員 (90885352)
細川 康輝 四国大学, 経営情報学部, 准教授 (20341266)
吉田 守美子 独立行政法人国立病院機構四国こどもとおとなの医療センター(臨床研究部(成育)、臨床研究部(循環器)), 臨床研究部, 部長 (40510904)
|
|---|
| Project Period (FY) |
2021-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2023: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2022: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
Fiscal Year 2021: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
|
|---|
| Keywords | 重症心身障害 / いつもと違う / 経験値 / 周波数解析 / 表情解析 / ニューラルネットワークによる分析 / 機械学習 / ロジステック回帰分析 / 快・不快 / 普段の状態 / 重回帰分析 / ロジスティック回帰分析 / ストレス / 観測データ / ニューラルネットワーク分析 / 重症心身障害児者 / 微細な反応 / 意思疎通 / ICT機器 / 概念モデル |
|---|
| Outline of Research at the Start |
本研究の目的は、重症心身障害児者（以下、重症児者）の微細な反応を理解するための概念モデルを作成することである。重症児者の表情、音声、心拍数などの複数の生体反応をICT機器の活用によって収集し、その観測データから数理構造を取り出しモデルを作成する。その概念モデルに人工知能（Artificial Intelligence）（以下、AI）の技術を活用することで、重症児者を養育する家族が理解したいと思っているが、心拍数など生理学的データにも現れず、変化がわかりにくい曖昧な状態変化の理解を支援し、なぜそう判断したのかという根拠を言語化して述べることが難しい状況についても共通した理解を見出せる可能性がある。
|
| Outline of Annual Research Achievements |
2年目までの研究において、「ストレスがある（いつもと違う）」状態を検知することができ、表情変化が微細な重症児者であっても、指標となる表情解析データの変化を正しく捉えることにより、「いつもと違う」ストレスを高い精度で検知できることを確認した。これらの結果を踏まえ、喀痰吸引に起因するストレス、つまり、呼吸状態が「いつもと違う」か「いつもと同じ」かを精度よく分類して出力できるネットワークの情報について明らかにした。
3年目は、このモデルが、複数の重症児の呼吸状態の異常を正しく分類できるかどうか、脈拍や経皮的酸素飽和度など数値として現れるデータだけでなく、胸郭の動き、機嫌や食欲、排便や睡眠などといった養育者から得られる情報も考慮して観察しアセスメントして、呼吸状態が「いつもと違う」かどうか、重症児者3名のデータを用いて検証し高い精度で分類できることを報告した。
一方、短期入所やデイサービスなどの場において、家庭での重症児者の様子を家族に確認し、普段の体調を維持できるように関わろうとしているが、短期間の断片的な関わりと家族からの言語による情報提供では具体的にイメージすることが難しく、判断に自信を持てない場合もある。そこで、呼吸音の周波数解析を手掛かりに作成した概念モデルを用いて、睡眠中の重症児者の呼吸状態について、「いつもと同じ」と判断し、睡眠を妨げることなく見守りを継続した判断が妥当であることを確認した。また、てんかん発作についても、日々養育している家族の気づき、断片的な関わりの中での専門職者の視点、そして、このような経験知を活用することにより，収集したデータを分類でき，機械学習の通用できる可能性を確認した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
まず、作成した概念モデルが、複数の事例においても使用できるか検証した。3事例について、経皮的酸素飽和度の値、呼吸音、気道分泌物の量の変化、咳嗽や努力様呼吸の有無などを観察した内容からアセスメントすることで、呼吸状態が「いつもと同じ」か「いつもと違う」の2つに分類した。これまでの研究で作成した概念モデルを用いて、3項目の表情筋の動きを入力層に置き、「いつもと同じ」、「いつもと違う」の2項目を出力層に置いて、ニューラルネットワークによる分析を行った。その結果、89.7％の精度で分類でき、看護の経験値と表情解析の結果から、呼吸状態が「いつもと違う」と予測できる可能性を示すことができた。
次に、呼吸音の周波数解析を頼りに「いつもと同じ」と「いつもと違う」に分類しているモデルが成立したデータ群に、データを追加して、モデルが成立するかどうか検証した。追加するデータA群を便宜的に「いつもと同じ」と「いつもと違う」に分類ししたデータ群A1とした結果、データ群Bに追加して分類した場合は，「いつもと同じ」を分類する精度は高いが，「いつもと違う」を分類する精度は低くなっていた。一方、データ群Aをアセスメント通り、すべて「いつもと同じ」とし追加したデータA2群の場合、特異度、感度、精度、適合率、再現率は、95%以上を示しており、感度（95.1%）、適合率（95.2%）、再現率（95.1%）は同じであり、特異度（93.5%→97.4%）、精度（94.4%→96.6%）と良くなっており、さらに精度が向上したことを確認した。
|
| Strategy for Future Research Activity |
今後は、これまで判断が難しかった状況を含めて、新たに包括的な概念モデルを作成する。これを明らかにする重症児者との関わりによる経験知として定量化されてこなかった「いつもと違う」重症児者のわずかな変化について、重症児者の表情、音声、脈拍数などの複数の生体反応をIoT機器の活用によって収集し、看護的視点とあわせて、その観測データから数理構造を取り出しモデルを作成することである。重症児者を養育する家族が理解したいと思っているが、体温や脈拍数、経皮的酸素飽和度のように数値として現れない、つまり根拠を説明することが難しい漠然とした「何かいつもと違う」という状況についても、共通した具体的な見解を見出せると考えている。
|
