Studying the clinical and economic long-term effects of adherence: Predictive model development using AI and big data
| Project/Area Number |
23K24565
|
|---|
| Project/Area Number (Other) |
22H03307 (2022-2023)
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Multi-year Fund (2024)
Single-year Grants (2022-2023) |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 58010:Medical management and medical sociology-related
|
|---|
| Research Institution | Nihon University (2024)
The University of Tokyo (2022-2023) |
|---|
Principal Investigator |
田倉 智之 日本大学, 医学部, 教授 (60569937)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
後藤 景子 順天堂大学, 革新的医療技術開発研究センター, 准教授 (10772519)
櫻井 義尚 明治大学, 総合数理学部, 専任教授 (30408653)
蓋 若エン 長崎大学, グローバル連携機構, 教授 (30759220)
杉原 茂 日本大学, 経済学部, 教授 (60397685)
中山 健夫 京都大学, 医学研究科, 教授 (70217933)
上月 正博 東北大学, 医学系研究科, 名誉教授 (70234698)
川本 祐子 東京医科歯科大学, 大学院保健衛生学研究科, 助教 (70527027)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥10,140,000 (Direct Cost: ¥7,800,000、Indirect Cost: ¥2,340,000)
Fiscal Year 2024: ¥3,250,000 (Direct Cost: ¥2,500,000、Indirect Cost: ¥750,000)
Fiscal Year 2023: ¥2,600,000 (Direct Cost: ¥2,000,000、Indirect Cost: ¥600,000)
Fiscal Year 2022: ¥4,290,000 (Direct Cost: ¥3,300,000、Indirect Cost: ¥990,000)
|
|---|
| Keywords | 健康行動 / ビッグデータ / 人工知能 / 医療経済 / 疾病予防 / アドヒアランス / 人工知能：ＡＩ / 後発薬への切替 / 医療ビッグデータ / データサイエンス / 人間の主観 / 選択と行動 |
|---|
| Outline of Research at the Start |
疾病予防の議論の主流である複雑系のアドヒアランスは、健康アウトカムや社会経済に対する影響が大きいものの、影響因子や構成要素の機序に関する実証研究が少なく、臨床現場の介入等への応用で制限がある。その探求は、多種多様な因子を大量なサンプルで取り組む必要もあり、近年、計量経済学や統計物理学等の応用が期待される。
一般的に、学術的な課題として、患者と医療者の信頼関係の探索、深層学習における特徴抽出の精査等が挙げられる。以上を踏まえ本研究は、臨床経済的な観点からアドヒアランスの要素を整理し、それが長期の医療・介護費用や生命予後に与える影響を、データサイエンスで予備的に検証し予測モデルの開発を試行する。
|
| Outline of Annual Research Achievements |
①社会経済に資する広義のアドヒアランス体系の検討と評価： 2,500件のサンプル規模に基づき、開発中の複合(広義)のアドヒアランスと健康状態の関係を検証した。栄養、睡眠、運動、健診、生活、意欲、服薬、から成るアドヒアランスは、健康状態（健康関連QOL）を統計学的有意に説明する指標であった（重回帰分析，p<0.001）。メンタルへの高感度も明らかとなった。
②広義アドヒアランスの医療経済的な影響の評価手法の開発： ビッグデータから合計 48,456 人の患者が登録され、平均観察期間は 48.1±20.8月だった。平均年齢は68.3±9.9歳であった。4年累積死亡率のハザード比より、収縮期血圧、空腹時血糖、LDLが死亡率に影響を与えることが明らかになった（p<0.05）。4年間の累積総費用に対する各危険因子のオッズ比 (OR)は、血清クレアチニンが1.880（p<0.001）で最も高く、次いで喫煙が1.320（p<0.001）、HbA1cが1.280（p<0.001）だった。良好なASHROスコア（<5）の群は、高リスクHbA1c群（HbA1c：7.0～7.9％）の累積コストに対するORが1.916から1.089に改善した（95％CI：1.037～1.143、p<0.01）。さらに、血清クレアチニンの場合も、ORが4.377 から3.361に改善した(95% CI: 1.989～5.679、p<0.01）。
③疾病予防（保健事業）の新たな介入法（最適化）の検証： ①項の集団の解析から、健康経営の事業所の集団は、健康状態（効用値）が統計学的有意に良い（65.96 vs. 61.82 スコア，p<0.001）ことが明らかとなった。健康経営を行っていない事業所の集団は、健康経営を行う事業所に比べて、メンタル（うつ発生）頻度が統計学的有意に高かった（オッズ比1.25，p<0.05）。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
本研究は、以下の3つのテーマから構成されており、本年度は、前述の研究開発に関わる成果を達成した。一方で、当初の予定より進捗が遅れている部分があった。
①社会経済に資する広義のアドヒアランス体系の検討と評価： 得られた研究成果を研究班内で議論しつつ、さらにデータ精査を行いながら論文化を進めている最中であるが、一部のデータの取扱について事務的な調整が必要になり、現在、その対策への検討を関係者と行っている。
②広義アドヒアランスの医療経済的な影響の評価手法の開発： ビッグデータの整備については完了しており、前述のような研究成果の論文発表を逐次進めているが、ＡＩ（機械学習）に関わる研究課題の部分は、人員体制などから少し遅延をしている。その対策として、専門家の支援強化の手配は済んでおり、データベースの仮想統合も含めて、今後、積極的に開発を行う予定である。
③疾病予防（保健事業）の新たな介入法（最適化）の検証： ①項の研究課題と連携を密に進めており、データ精査を行いながら論文化を進めている最中であるが、アドヒアランス測定手法の開発などに必要な検証データの収集が遅れている。その理由として、協力機関側の人事異動などに伴うスケジュールの再調整が挙げられる。調査準備は今年度に済んでいるため、今後、迅速に実施する予定である。
|
| Strategy for Future Research Activity |
本研究は、以下の3つのテーマから構成されており、来年度は事業の最終年度として、各種成果の取りまとめを行いつつ、明らかになった新たな課題への対応や整理も検討する予定である。
①社会経済に資する広義のアドヒアランス体系の検討と評価： 本課題では、保健事業や財政管理に応用できるよう、アドヒアランス（患者、医療者の双方を含む新たな概念）を設定し、その構成要因の分析や影響因子の感度を検証する。アドヒアランスは、健康行動の実態（受診実績等）と主観的な意識（自己効力感等）の多面的な検討が望まれるため、医療資源等の消費量と行動の認識水準による整理も行う。以上を踏まえ、健康関連QOLやメンタルに感度の高い測定手法の開発を進める。
②広義アドヒアランスの医療経済的な影響の評価手法の開発： 本課題では、広義のアドヒアランスと長期の累積医療費／生命予後等の関係を評価し、得られた知見から、アドヒアランスの水準・変位（スコア化）に基づく臨床経済的なアウトカムの予測モデルを開発する。また、医療分野で利用し難い生活情報のデータベースを医療ビッグデータと仮想統合する手法（データ抽出検証、生物学統計・物理統計やAIの応用）の検討も行う予定である。この目的で、本年度に楽天インサイトとデータ入手の契約を進めている。
③疾病予防（保健事業）の新たな介入法（最適化）の検証： 本課題では、上記の知見（アドヒアランスのスコア）をもとに、効率性（経済性）を担保した個別化プログラムの開発と検証も行う。なお、アドヒアランスに関わる複雑系で多変量な関係（内外環境）の分析は、AI（深層学習等）と医療ビッグデータを応用し、組み込み法等の特徴量選択が適切なのか、主観測定のデータ等を応用して検証も行う。PER技術を用いた強化学習、ハイパーパラメータチューニングの自動機械学習も検討する。
|
Report
(2 results)
Research Products
(9 results)
