| Project/Area Number |
23K08473
|
|---|
| 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 | Niigata University |
|---|
Principal Investigator |
本田 博之 新潟大学, 医歯学総合病院, 講師 (20535174)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
西山 慶 新潟大学, 医歯学総合研究科, 教授 (90447970)
松井 亨 新潟大学, 医歯学総合病院, 助教 (60753283)
晝間 優隆 新潟大学, 医歯学総合病院, 助教 (50915048)
八幡 えり佳 新潟大学, 医歯学総合病院, 特任助教 (30622906)
上村 夏生 新潟大学, 医歯学総合病院, 特任講師 (00792285)
|
|---|
| Project Period (FY) |
2023-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥3,510,000 (Direct Cost: ¥2,700,000、Indirect Cost: ¥810,000)
Fiscal Year 2025: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2024: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Fiscal Year 2023: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
|
|---|
| Keywords | 脳波 / ウェーブレット変換 / 深層学習 / 蘇生後脳症 |
|---|
| Outline of Research at the Start |
心肺停止蘇生後の患者の転帰を改善して社会復帰を促すことは重要な課題である。しかし、蘇生後の脳の機能障害を正確に評価する方法が存在しないため、重症度に応じた治療プロトコルを適用できないことが問題である。本研究では脳機能障害の指標として脳波に着目する。脳波をウェーブレット変換することで複数の特徴量をスカログラム画像として抽出し、人工知能（深層学習）を用いて脳障害の重症度を高精度に推定する実用的なシステムを構築する。本研究で開発する重症度評価システムにより高精度の予後予測を可能にするだけでなく、脳機能障害の重症度に応じて個別化した蘇生後ケアを創造することを目指す。
|
| Outline of Annual Research Achievements |
１）データの抽出：研究対象者30名より脳波データを抽出した。このうち8名は女性で、18名は院外で発生した心停止症例であった。29名は体温管理療法を導入し、1名は復温を行った。体温は34℃から36℃にコントロールされていた。脳波データは自己心拍が再開してから4～12時間後までに記録が開始されていた。特に関心を持っている蘇生後10時間～48時間の欠測率は10％未満であり、予定通り多様な症例から脳波データを記録できていたと考えられる。しかし、症例が30名と少数にとどまっており、課題である。
２）予後評価に重要な脳波帯検討：ウェーブレット変換を行った脳波データを用いて深層学習モデルを作成するのが本研究の最終的な目標である。この深層学習モデルの性能を評価するための比較対象となるモデルを作成する必要がある。脳波の特徴を示す数値指標（特徴量）として、アルファ波・ベータ波などの脳波の周波数帯域のパワー比、シャノンエントロピーなどを計算し、蘇生後4時間～72時間において、予後良好を予測するためにはどの特徴量が有効であるかを検討した。結果として、蘇生後早期（12時間前後）の徐波領域が有用であることが判明した。研究成果を学会発表した。
３）脳波ノイズの解析：脳波解析において重要なノイズについて、シバリングが及ぼす影響を解析し得たため、論文を作成した（投稿中）
３）深層学習環境の構築：深層学習可能な環境を構築した。GPUはNVIDIA A4000を選択し、MATLAB、Pythonで利用可能にした。これを用い、脳波特徴量を算出するコードを作成した。さらにウェーブレット変換を施し、スカログラム（時間・周波数・振幅情報を図として描画したもの）を出力するコードを作成した。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
１）データ取得病床拡充の遅れ：研究実施場所である重症患者管理病床において脳波データを記録可能な病床は12床である。より多くの脳波データを記録するため救急・集中治療病床28床全体にデータ取得可能な病床を拡充する予定であったが、工事終了が2024年度末に遅れた。一方、サンプリングレートが低くなったり、脳波データが抽出できなくなったりといったトラブルが生じたため対応中である。原因はある程度特定できているため、近日中にデータ取得を再開する予定である。
２）追加データダウンロードの遅れ：脳波データの不足が問題となっている。そこで、公開されている脳波データセット（I-CARE database）を入手した。合計1TBを超える巨大なデータセットのため、ダウンロードに2か月かかり、解析が遅れている。
|
| Strategy for Future Research Activity |
１）取得した脳波データをもとに深層学習モデルを作成する。脳波データは10秒間ごとに区切り、それぞれをウェーブレット変換し、得られた画像（片側10個・1症例あたり20個）を用いてICU退室時の予後を予測するモデルを作成する。このとき、leave-one-group-outでcross validationする。作成したモデルの精度は、本年度に得られた症例データをtest setとして検証する。
２）予定していたICU脳波データではモデルの精度が不足する場合、I-CAREの脳波データも使用する。前頭部（Fp1・Fp2）脳波データのみを取り出す。脳波データを10秒間ごとに区切り、それぞれをウェーブレット変換し、得られた画像（片側10個・1症例あたり20個）を用いて予後を予測するモデルを作成する。このとき、Validation setもTest setもどちらもI-CAREデータの中から無作為に抽出する。
３）得られた結果を学会発表し、論文を投稿する予定である。
|
