転倒リスク評価に応じた転倒予防訓練を支援する基礎的研究

Research Project

Project/Area Number	22K12918
Research Category	Grant-in-Aid for Scientific Research (C)
Allocation Type	Multi-year Fund
Section	一般
Review Section	Basic Section 90150:Medical assistive technology-related
Research Institution	Kyushu Sangyo University
Principal Investigator	榊泰輔九州産業大学, 理工学部, 教授 (60373130)
Co-Investigator(Kenkyū-buntansha)	下川俊彦九州産業大学, 理工学部, 教授 (60301347) 神屋郁子福岡女子大学, 国際文理学部, 講師 (00615354) 藤野友和福岡女子大学, 国際文理学部, 教授 (40364161)
Project Period (FY)	2022-04-01 – 2026-03-31
Project Status	Granted (Fiscal Year 2023)
Budget Amount *help	¥4,290,000 (Direct Cost: ¥3,300,000、Indirect Cost: ¥990,000) Fiscal Year 2025: ¥520,000 (Direct Cost: ¥400,000、Indirect Cost: ¥120,000) Fiscal Year 2024: ¥260,000 (Direct Cost: ¥200,000、Indirect Cost: ¥60,000) Fiscal Year 2023: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000) Fiscal Year 2022: ¥2,470,000 (Direct Cost: ¥1,900,000、Indirect Cost: ¥570,000)
Keywords	リハビリテーション / 転倒予測 / 回帰式 / ベイズ推定 / リハビリロボット / 介護ロボット / 転倒
Outline of Research at the Start	健康寿命を延伸し高齢者が活躍する社会とするには、転倒リスクの評価と予防訓練の普及が喫緊の課題である。しかし、現状のリスク評価は転倒経験を主要な因子としているため、転倒未経験では虚弱であってもリスクを低く見積もる傾向があった。また、施設での試験には時間とコストがかかる。さらに、老化による転倒リスクの経年変化は考慮されていない。そこで本研究では、ベイズ統計モデリングを導入し、①転倒リスク評価の精度向上、②簡便で低コスト、③将来予測の可能な転倒リスク評価方法を開発する。これにより転倒リスクを日常的にモニタしつつ、健常なうちから高齢者の転倒を防ぐ予防訓練機器の開発基盤をつくる。
Outline of Annual Research Achievements	今年度課題は①時系列データ解析方法の調査として線形ガウス型状態空間モデルなどを整理し従来技術の問題点を抽出する。②問診アプリ開発としてデータ収集機能の開発と試用、データ蓄積により解析の準備を整える。③データ解析方法の開発として実データの観察と解析方法について検討を始める。 ①時系列データ解析法調査　線形ガウス型状態空間などがあり組み合わせる方法もある。メタアナリシス論文からBerg Balance Scaleは転倒に関し重要な要因である。また転倒は再発イベントであり、複数回おきる事象を解析するモデルに着目すべきである。 ②問診アプリ　セキュリティの問題を回避して実データをとりやすくするためローカル（タブレット上）でデータ蓄積する。アンドロイドタブレット（スマホ）でSDカードを想定する。平行して紙ベースの質問票で高齢者データを数例収集した。 ③転倒リスク予測手法　関連論文では重回帰式等で項目を絞り簡単な点数化を採用している。精度と対策の点で問題がある。ロジスティック回帰による転倒確率導出を試行した。当面１回のデータで転倒確率をもとめ従来法と正答率を比較し有効性を確認した。繰り返し起こるイベントに関する手法を調査しCox比例ハザード法に着目、今後検討を進める。最初から絞らず、得られるデータと利用目的により柔軟に考える。モデルは未転倒と転倒歴有で区別すべきである。変化が非線形の場合、モデルを分けて組み込めるか確認する。必要な実データ量を見積もった。説明変数が数十であれば少なくとも100個は必要である。平行して、少ないデータ数であってもそれに対応したシンプルなモデルで検討する。
Current Status of Research Progress	Current Status of Research Progress 2: Research has progressed on the whole more than it was originally planned. Reason 研究計画の２年次目標である①時系列データ解析方法の調査、②問診アプリ開発、③データ解析方法の開発について、おおむね計画通り進捗しているため。ただし、②は数例の実データ収集であり、③は解析手法の検討途中であることから（２）とした。
Strategy for Future Research Activity	引き続き目標である①時系列データ解析方法の調査、②問診アプリ開発、③データ解析方法の開発を継続する。①は時系列解析手法の調査の継続、②は紙ベースでの実データ収集を継続しつつ、現場から指摘された課題を収集し問診アプリ開発につなげる。③は、今年度調査した以外の手法、例えばサポートベクターマシンについて次年度試みる。データに合わせケースバイケースで選ぶ。回帰式など線形手法は予測精度劣るが解釈しやすいので合わせて検討する。最初から絞らず、得られるデータと利用目的により柔軟に考える。モデルは未転倒と転倒歴有で区別すべきである。変化が非線形の場合、モデルを分けて組み込めるか確認する。必要な実データ量について、説明変数が数十であれば少なくとも100個は必要である。平行して、少ないデータ数であってもそれに対応したシンプルなモデルで検討する。