| Project/Area Number |
22K09155
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 55060:Emergency medicine-related
|
|---|
| Research Institution | Yamagata University |
|---|
Principal Investigator |
中根 正樹 山形大学, 医学部, 准教授 (30325964)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
早坂 達哉 山形大学, 医学部, 助教 (20869911)
小野寺 悠 山形大学, 医学部, 講師 (30594329)
渡辺 昌文 山形大学, 医学部, 教授 (60360096)
川前 金幸 山形大学, 医学部, 名誉教授 (70254026)
|
|---|
| Project Period (FY) |
2022-04-01 – 2026-03-31
|
| Project Status |
Discontinued (Fiscal Year 2024)
|
| Budget Amount *help |
¥4,030,000 (Direct Cost: ¥3,100,000、Indirect Cost: ¥930,000)
Fiscal Year 2025: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2024: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2023: ¥520,000 (Direct Cost: ¥400,000、Indirect Cost: ¥120,000)
Fiscal Year 2022: ¥1,950,000 (Direct Cost: ¥1,500,000、Indirect Cost: ¥450,000)
|
|---|
| Keywords | 機械学習 / 人工知能（AI） / 予測モデル / 集中治療 / 人工呼吸器グラフィックモニタリング / 肺コンプライアンス / 人工呼吸器関連肺損傷（VILI） / 気道内圧 / 人工呼吸 / 肺保護換気 / 人工知能 / モニター |
|---|
| Outline of Research at the Start |
不適切な人工呼吸は、人工呼吸器による肺の損傷、自発呼吸によって誘発される肺の損傷、人工呼吸器とヒトの呼吸との同調性の悪化などが引き起こされ、患者の治療経過を悪化させ、救命率を低下させる原因となる。通常は医師や看護師など危険に気付いた医療従事者が対処しているが、本研究では、人工呼吸器に表示される気道内の圧変化、気流の速さ、換気される量の３つの波形データから、人工知能が危険な信号をリアルタイムに継続的に適確に評価判断し迅速に警告を発するようなモニターを作成することで、冒頭に述べた不適切な人工呼吸による有害な現象を回避すると同時に、医療従事者の負担軽減を図る、自動評価システムの開発を進めていく。
|
| Outline of Annual Research Achievements |
本研究は臨床データの蓄積と詳細な解析段階に移行している。初期段階で取り組んだモデル肺を用いたシミュレーション研究では様々な肺障害パターンにおける人工呼吸器波形の特徴を分析し、基礎的なAI予測モデルの構築が可能であることを実証した。この成果を基に異常波形の自動検出システムの基盤を確立することができた。
2023年度後半からは研究の焦点を実臨床環境へと移行し、ICUで人工呼吸器管理を受けている患者からのグラフィックモニターデータの取得を進めてきた。医療スタッフの協力と研究プロトコルの実施により、計画通りに症例を集積することができ、現時点で約200名分の臨床データの取得が完了している。これらのデータには様々な病態や肺コンプライアンス状態が含まれており、AIモデル開発における貴重なデータとなっている。
現在開発を進めているAI予測プログラムについては、複数の機械学習アルゴリズムを比較検討した結果、ROC曲線下面積（AUC）0.8程度の信頼性のある予測精度が得られている。この精度は臨床的に意義のある水準である。
論文発表に向けた準備段階として、患者特性（キャラクタリスティックス）の詳細な抽出やデータの統計学的整理・解析を進めている。具体的には、年齢、基礎疾患、重症度スコア、呼吸不全の原因などの臨床背景因子と、一回換気量、PEEP値、気道内圧などの人工呼吸器設定、そして検出された波形異常パターンと臨床アウトカムとの関連性について多角的な分析を実施している。これらの分析を通じて、AIモデルの予測精度のさらなる向上を図るとともに、実臨床における活用方法の最適化を目指している。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
初期段階で取り組んだモデル肺を用いたシミュレーション研究によって様々な肺障害パターンにおける人工呼吸器波形の特徴を分析し基礎的なAI予測モデルの構築が可能であることを実証した。この成果を基に異常波形の自動検出システムの基盤を確立した。
2023年度後半からは研究の焦点を実臨床環境へと移行し、ICUで人工呼吸器管理を受けている患者からのグラフィックモニターデータの取得を進めてきた。医療スタッフの協力と研究プロトコルの実施により、計画通りに症例を集積することができ、現時点で約200名分の臨床データの取得が完了している。
現在開発を進めているAI予測プログラムについては、複数の機械学習アルゴリズムを比較検討した結果、臨床的に意義のある水準であるROC曲線下面積（AUC）0.8程度の信頼性のある予測精度が得られている。
|
| Strategy for Future Research Activity |
本研究では臨床データ収集を継続して行い、さらなる症例集積を進めていく。ICU入室患者の適格性評価を日々実施し、対象症例の見落としがないよう注意を払いながら、患者家族からの同意取得プロセスも効率化することで研究参加率の維持・向上を図る。取得したデータについては、欠損値処理の標準手順を確立し、データ品質の維持に努めていく。
AI予測モデルのさらなる精度向上を目指し、解析体制を強化する。特に機械学習アルゴリズムの最適化と特徴量選択に関する専門知識を持つ人材の確保が必要となるため、山形大学工学部との連携を進めている。この連携により、臨床医学と情報工学の両面からの学際的アプローチが可能となり、研究の質的向上が期待できる。
また、AIモデルの判断根拠を可視化するシステムを開発中であり、これにより医療従事者がAIの判断プロセスを理解できるようにする。この「説明可能なAI」の実現は、実臨床導入における重要な要素である。
開発したAIモデルの臨床的有用性を検証するため、評価研究の計画を策定する。AIの判断と熟練臨床医の判断を比較し、感度・特異度などの診断精度指標を評価する。
収集したデータと開発したアルゴリズムの解析結果を論文化し、国内外の学術誌への投稿を進める。また、研究成果を国内外の学会で発表し、専門家からのフィードバックを得ることで、さらなる改良点を明確化する。最終的には、本研究で開発したAIシステムの標準化と普及を目指し、人工呼吸器治療の安全性向上に広く貢献することを目標とする。
|
