心外膜下脂肪量および脂肪肝に着目した虚血性心疾患予測のための機械学習モデルの構築
Project/Area Number |
21K12657
|
Research Category |
Grant-in-Aid for Scientific Research (C)
|
Allocation Type | Multi-year Fund |
Section | 一般 |
Review Section |
Basic Section 90110:Biomedical engineering-related
|
Research Institution | Waseda University |
Principal Investigator |
弓場 充 早稲田大学, 理工学術院, 助手 (50875367)
|
Co-Investigator(Kenkyū-buntansha) |
岩崎 清隆 早稲田大学, 理工学術院, 教授 (20339691)
坪子 侑佑 国立医薬品食品衛生研究所, 医療機器部, 主任研究官 (40809399)
|
Project Period (FY) |
2021-04-01 – 2024-03-31
|
Project Status |
Granted (Fiscal Year 2022)
|
Budget Amount *help |
¥4,030,000 (Direct Cost: ¥3,100,000、Indirect Cost: ¥930,000)
Fiscal Year 2023: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
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 | 機械学習 / 虚血性心疾患 / 心外膜下脂肪組織 / 脂肪肝 |
Outline of Research at the Start |
本邦において、虚血性心疾患を含む心疾患は癌に次ぐ2番目の死亡原因であり、早期発見、早期治療介入が重要である。近年、新たな虚血性心疾患のリスク因子として、心外膜下脂肪組織(Epicardial Adipose Tissue: EAT)および非アルコール性脂肪性肝疾患(Nonalcoholic Fatty Liver Disease: NAFLD)が注目されている。本研究では、患者基本情報および血液バイオマーカ等の情報に加え、EAT量とNAFLDに関する情報を学習データとして機械学習させることでこれまでにない高精度な虚血性心疾患予測モデルの構築を目的とする。
|
Outline of Annual Research Achievements |
本年度は、昨年学習データとして用いた糖尿病、高脂血症、高血圧、心外膜下脂肪組織(Epicardial Adipose Tissue: EAT)量などのリスク因子に加えて、冠動脈CTから得られる脂肪肝の有無を学習データとして用い、構築した機械学習モデルの性能評価を目的とする。社会医療法人北海道循環器病院において、2018年1月から2019年12月までの2年間の間に冠動脈CT検査を実施した患者を解析対象とした(北海道循環器病院の倫理委員会承認)。狭窄および虚血があり経皮的冠動脈形成術(PCI)または冠動脈バイパス術(CABG)を行った患者を虚血群として439症例、中等度の狭窄を有するが虚血症状の無い患者を非虚血群として861症例組入れた。脂肪肝の有無は肝臓と脾臓のCT値より算出されるLiver/Spleen (L/S)比が1.0以下の場合に有りとし、EAT量(cm3)と併せて冠動脈CTから後ろ向きに取得した。連続量はstudent t testを用い、カテゴリカルデータはχ2 testを用いて検定を実施した。機械学習モデルはMicrosoft社製のAzure Machine Learningを用いて構築した。その結果、虚血群および非虚血群におけるEAT量の平均値±標準偏差はそれぞれ134.9±64.7(cm3)、118.3±53.3(cm3)であり有意な差を示した(P<0.0001)。また、両群における脂肪肝の有病率は虚血群で68%、非虚血群で52%であり有意な差を示した(P<0.0001)。EAT量および脂肪肝の有無を学習させたモデルのAUCは0.86であったのに対し、患者基本情報のみを学習させた場合は0.848であり、EAT量および脂肪肝の情報を加えることで診断精度の向上が見られた。いずれのモデルにおいてもサポートベクターマシンが最も高い精度を示した。
|
Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
昨年度に引き続き本研究に必要な患者情報の収集を行い目標としていた1000件以上のデータを収集することができた。また、本年度は新たに脂肪肝の有無も学習データとして追加することができた。成果については、IUPESM World Congress 2022で発表済みである。以上の観点から、当初の研究計画以上に進展していると考える。
|
Strategy for Future Research Activity |
今後は特徴量の詳細な解析を行い、精度向上に貢献している因子を特定し、さらなる診断精度向上を目指す。
|
Report
(2 results)
Research Products
(3 results)