| Project/Area Number |
22K21112
|
|---|
| Research Category |
Grant-in-Aid for Research Activity Start-up
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
0908:Society medicine, nursing, and related fields
|
|---|
| Research Institution | Kyoto University |
|---|
Principal Investigator |
LUO YAN 京都大学, 医学研究科, 助教 (10963308)
|
|---|
| Project Period (FY) |
2022-08-31 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥2,340,000 (Direct Cost: ¥1,800,000、Indirect Cost: ¥540,000)
Fiscal Year 2023: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
Fiscal Year 2022: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
|
|---|
| Keywords | 個人データメタ解析 / 個別化治療 / 予測アルゴリズム / 関節リウマチ |
|---|
| Outline of Research at the Start |
関節リウマチは関節の変形をきたす難病であり、患者の生活の質QOLを低下させる。QOLの維持・改善のためには、各患者に対し最適な治療薬を早期に投与することが望ましい。しかし、従来のエビデンスでは、各種リウマチ治療薬に対する患者個人への有効性を予測できない。そのため、実臨床では患者に対し不適切な薬が処方される場合があり、QOLの悪化と不要な治療費増加につながっている。本研究の目的は、各患者に最適な治療選択の予測に資する個別化医療アルゴリズムを開発することである。この個別化アルゴリズムをもとに新たな治療選択ツールを創出することで、患者のQOLの向上及び医療コストの適正化が期待される。
|
| Outline of Annual Research Achievements |
関節リウマチは関節の変形をきたす難病であり、患者の生活の質QOLを低下させる。QOLの維持・改善のためには、各患者に対し最適な治療薬を早期に投与することが望ましい。しかし、従来のエビデンスでは、各種リウマチ治療薬に対する患者個人への有効性を予測できない。そのため 、実臨床では患者に対し不適切な薬が処方される場合があり、QOLの悪化と不要な治療費増加につながっている。本研究の目的は、各患者に最適な治療選択の予測に資する個別化医療アルゴリズ ムを開発することである。今年度に主にデータ収集・処理を続き、解析を始めている。具体的に、関節リウマチに関するランダム化比較臨床試験を網羅的に検索し包含基準を満たす研究を同定し、個人 データをvivli.orgという第三者プラットフォームに申請し承認を受けた。試験の主要研究者にデータを匿名化しプラット フォームにアップロードされ、データにアクセスし処理していた。入手した臨床試験計63件であり、個々の試験において、各変数の定義や変数名が違っているため、データ統合とデータクリーニングに取り組んでおり、解析を始めている。
|
| Current Status of Research Progress |
Current Status of Research Progress
4: Progress in research has been delayed.
Reason
予定通り、臨床試験の個人データ使用に関する申請が承認され、現在63件の試験の個人データを取得しdata harmonizationを進めて解析に向かっている。しかしながら、まだ発表されていないデータが多く含まれ、個々の変数を特定するため、データの提供者に連絡し回答を待つ作業が繰り返されており、予想以上に時間を要している。さらに、責任研究者が今年度から教育に重点を置く職務へ異動し、初年度は教育に時間を割くため、研究に専念する時間が減少したことが理由として考えている。
|
| Strategy for Future Research Activity |
引き続きデータ処理を行う予定である。完了した後、以下の手順でモデルを構築する：
①第一段階モデル：個々の患者のベースライン特性からベースラインリスクを予測するため、ロジスティック回帰モデルを採用する。この段階では交互作用項は含まれない。
②第二段階モデル：上記のベースラインリスクを変数として、個人データネットワークメタ解析のベイズメタ回帰モデルに投入する。この段階では、ベースラインリスクと治療の交互作用項も同時に入れる。第二段階モデルからは、特定のベースラインリスクを持つ患者に対する各治療の効果（リスク差・リスク比）を予測することができる。
③結果の可視化と解釈：臨床現場の医師と患者の意思決定を支援するために、予測された治療効果をわかりやすく提示することが重要である。そのため、患者のベースライン特性を入力することで特定の薬に関する奏功率や、他の薬と比較したリスク差・リスク比をインタラクティブに可視化するR shinyウェブアプリを開発する予定である。
|
