人工知能を用いた鎮静及び鎮痛スケールの予測モデルの構築

2018 Fiscal Year Research-status Report

• Project/Area Number: 18K08896
• Research Institution: Yokohama City University
• Principal Investigator: 横瀬 真志 横浜市立大学, 附属病院, 講師 (70614402)
• Co-Investigator(Kenkyū-buntansha): 高木 俊介 横浜市立大学, 附属病院, 准教授 (90644823)
• Project Period (FY): 2018-04-01 – 2022-03-31
• Keywords: 人工知能 / 表情認識 / 遠隔集中治療 / 鎮静スケール

Outline of Annual Research Achievements

通信情報技術の応用は集中治療分野における医療需給バランスの是正に役立つ可能性を持っている。我々は通信情報技術を利活用し、ネットワークにより医療情報を集約化した遠隔集中治 療室の構築を介して医療従事者の負担軽減や医療の質の向上を最終的な目標としている。その中の一つの機能としての役割が期待されているのが本研究の目指す鎮静および鎮痛スケールの予測モデル評価を行うための人工知能の開発である。天井設置型カメラを用いてICU入室患者の表情画像データを収集し、データベース化して保存する。これに加えて、鎮静及び鎮痛状態を評価する各種スケール（鎮痛スケール：Behavioral Pain Scale、鎮静スケール；Richmond Agitation-Sedation Scale、意識レベル評価スケール；Glasgow Coma Scale、AVPUスケール［Alert（意識清明） Verbal（声かけに反応） Pain（疼痛刺激に反応） Unresponsive（反応なし）］）とバイタルサイン（血圧、心拍数、 酸素飽和度、呼吸回数、体温）といった各種臨床データを一定時間ごとに繰り返し評価し記録する。同時刻の各種スケールと臨床データを突合して表情認識機能を持った人工知能に機械学習させる。初年度はより単純な初期モデルの構築鎮静および鎮痛スコアの初期予測モデルを構築する目的にデータ収集を行う計画としていた。
必要となる画像データは天井に設置してあるカメラを用いて取集し、バイタルサインデータは電子カルテや看護記録から収集を行った。研究対象者のリクルート数は若干の遅れがある程度の症例数を収集することができた。データベースに蓄積したデータを突合作業へ利用できる状態への加工作業を行った。その過程で、いくつかの問題点が明らかとなったためそれらの勘案し本年度の研究計画に反映させた。

Current Status of Research Progress

3: Progress in research has been slightly delayed.

Reason

初年度は鎮静スケール評価のプロトタイプモデル構築のための画像データ収集を主目的として研究期間を充てる計画となっていた。計画当初は鎮静スケールと比較してより簡易的に評価可能である意識レベル（Glasgow Coma Scale）の自動評価を初期モデルのアウトカムとしていたが、年度途中においてさらに簡易的な意識レベル評価スコアであるAVPUスコア［Alert（意識清明） Verbal（声かけに反応） Pain（疼痛刺激に反応） Unresponsive（反応なし）］を評価項目に加え、AVPUスコア評価を初期モデルのアウトカムとしてモデル構築することを初期目標と定めた。
対象者からの同意取得数は昨年度を通じて約180例程度取得された。このリクルート数については予定された同意取得数よりも若干の遅れがある状態であった。うち解析に用いることができたデータ数は120症例程度であり、脱落の主な理由は同意取得後に集中治療室以外への入室となった対象者であった。
収集されたデータは画像解析用のパソコンに保存し、データ解析に用いるための編集作業を行い、次年度以降の研究推進に備えるための準備を行った。一方で収集した後に行う機械学習のために必要な部分の画像データを参照および編集する際には、取り扱うデータ量が膨大であることから、研究対象となる部分のトリミングなどに当初の予定以上の時間が必要となる可能性が明らかとなった。
また、カメラの設置位置に対する対象者のベッド上での特定の体位によっては、顔の向きやカメラに映る顔の面積、および酸素マスクや点滴カテーテルといった医療器具等の要因が解析の段階で影響を及ぼす可能性があることが予想された。同様に、夜間帯に撮影された動画と日中に撮影された動画は画質が異なることから、条件の良い画像を選択してプロトタイプモデルを作成することが必要と考えられた。

Strategy for Future Research Activity

本年度は前年度までに収集された画像データを用いて、初期予測モデルの構築を行う方針である。具体的には、簡易的な意識レベル評価であるAVPUスコアを予測モデルのアウトカムとした初期予測モデルの構築に着手する。AVPUを評価した時刻と同時刻の画像データと各種臨床データとを突合して、人工知能による機械学習を行わせる。取り掛かりとしては顔がカメラに正対し画質の良い明るい時間帯のデータに限定してモデルの構築を目標とする。また、その過程で必要となる顔の特異点認識のアルゴリズムの構築を並行して行う予定である。酸素マスクや点滴カテーテルなどといった人工物が対象者の顔付近にある状態においても対象者の目や鼻などといったパーツを認識できることが、モデル作成の上で必要となるためである。本研究で得られた画像データを基に自動的にそれらのパーツを認識 できるようなモデル作成をする予定である。
AVPU認識の初期モデルの作成が本年度内に行えた場合には、初期モデルの一致度を評価するための妥当性の検証を行っていく予定とする。この初期モデルの構築と並行して、対象者のリクルートを継続し、次年度以降にモデルの正答性向上のための機械学習に使用するデータ収集を継続して行っていく。解析のためのリクルートには若干の遅れがあることから、同意取得方法の改善を検討していく。

Causes of Carryover

人工知能の機械学習を委託するために必要な人件費・謝金が研究の進行上必要な段階まで至らなかったこと、およびデータ整理のための謝金を計上していたが、 研究者自身で作業を行うことができた部分が多く、費用が予定の額に達しなかった。 次年度以降は、データの蓄積と人工知能の開発に費用が掛かることが見込まれることから、その領域への資金の使用を検討している。