高齢者の医療事故を自動予測する電子カルテシステムの開発-ディープラーニングの応用

2019 Fiscal Year Research-status Report

• Project/Area Number: 19K22771
• Research Institution: Nagoya City University
• Principal Investigator: 明智 龍男 名古屋市立大学, 医薬学総合研究院(医学), 教授 (80281682)
• Co-Investigator(Kenkyū-buntansha): 市川 太祐 東京大学, 大学院医学系研究科(医学部), 特任研究員 (30824619) ; 戸澤 啓一 名古屋市立大学, 医薬学総合研究院(医学), 教授 (40264733)
• Project Period (FY): 2019-06-28 – 2022-03-31
• Keywords: 医療事故 / 転倒、転落 / せん妄 / 健康寿命 / 機械学習

Outline of Annual Research Achievements

超高齢社会を迎え、病院内では、フレイルやせん妄等を背景とした転倒・転落、ドレーンや点滴類の自己抜去などの医療事故が多発している。これらによる身体状況の悪化は時として深刻な転帰をとり、骨折は寝たきりの最大の要因である。医療事故が発生すると、医療者は、患者の処置など多くの労力を費やすことになり深刻な負担となっている。
以上のような背景から、医療事故を予測するチェックシート等が開発されているが、精度は不十分で、実用には程遠い。例えば、メタ解析により転倒予測に関して最も高精度であることが示されたSTRATIFYスケールは、感度0.63、特異度0.71にとどまっている（Metarese M et al, J Advancing Nursing 2014）。
せん妄については、感染、電解質異常等に加え、向精神薬、オピオイド等の薬剤などが原因となる。一方、先行研究においては、個々の要因が医療事故やせん妄発現に寄与するオッズ比を算出することは可能であるが、多くの変数を組み合わせて高い精度で予測することは不可能であった。以上のような背景のなかで、申請者は、ディープラーニングに着目した。本研究では、患者の血液・生化学、バイタルデータなど電子カルテに含まれる膨大な患者情報をディープラーニングを用いて解析し、世界にさきがけ、高齢者の医療事故防止および医療者の負担軽減に資する自動予測システムを開発することも目的とする。
研究開始年度である2019年度には、病院執行部の研究実施の許可を得て、各部門の長が集まる会議で、研究の内容を紹介し、データの利用について許可を得た。
また当該医療機関の所属する地域の条例などに照らし合わせ、電子カルテのデータの抽出方法や抽出したデータの管理方法などを決定した。

Current Status of Research Progress

3: Progress in research has been slightly delayed.

Reason

研究者の所属する医療機関には2004年から電子カルテが導入され、膨大な患者データが蓄積されており、1万5千超の転倒・転落、ドレーンや点滴類の自己抜去に関する報告がある。まず、75歳以上の入院患者のデータを用いて、ディープラーニングによる医療事故予測アルゴリズムを作成することを目的にしているが、具体的には以下の手順にて研究をすすめている。
まず、ディープラーニングによる医療事故予測モデルの構築のために、医療事故予測への有用性が想定されるデータを決定した。これらには、年齢、性別、原疾患、医療事故発生直近の血液生化学データ、バイタルサイン、薬剤などに加え、各種患者情報（意思疎通能力など）、医療者の記載したカルテデータ等が含まれている。
ディープラーニングの手法としては、医療分野で高い予測精度を達成している畳み込みニューラルネットワーク及び再帰的ニューラルネットワークを用いている。
研究開始年度である2019年度には、病院執行部の研究実施の許可を得て、各部門の長が集まる会議で、研究の内容を紹介し、データの利用について許可を得た。
また当該医療機関の所属する地域の条例などに照らし合わせ、電子カルテのデータの抽出方法や抽出したデータの管理方法などを決定した。電子カルテのデータに関しては、データ構造が複雑なため、全体のデータを利用できるまでには至っておらず、今後も抽出方法について継続的に検討する。テキストデータについても同様である。

Strategy for Future Research Activity

電子カルテのデータに関しては、データ構造が複雑なため、全体のデータを利用できるまでには至っておらず、今後も抽出方法について継続的に検討する。テキストデータについても同様である。
ディープラーニングによる医療事故予測モデルの構築を継続する。本予測モデルの検証に関しては、クロスバリデーションを用いて、転倒・転落等、医療事故の内容に沿った予測モデルを構築・検証する。まず、過去のデータを予測モデルを構築するための訓練用データセットとモデルを検証するための検証用データセットの2つに無作為分割する。訓練用データセットを用いて、ディープラーニングにより、高いスクリーニング性能を示すアルゴリズムを構築する。なお、医療事故の有無については、データの不均衡が予想されるため、SMOTE法に基づく不均衡調整を行う。構築されたアルゴリズムの精度を検証用データセットで検証する。検証に際しては、Receiver Operating Characteristic曲線を描いた上で、Area Under the Curve（AUC）、感度、特異、陽性反応的中率（PPV）を算出する。この構築・検証のステップを複数回繰り返し、それぞれで得られた指標の平均を用いて、最終的な予測モデルの評価結果を得る。予測モデルの評価目標は、AUC 0.8以上、感 度 0.8以上、特異度 0.8以上、PPV 0.5以上とする。
完成したアルゴリズムを用いて、新規入院した75歳以上の高齢者を対象とした前向き観察研究を行い、実際に医療事故の予測精度を検証する予定である。

Causes of Carryover

研究の進捗がやや遅れているため、データ整理等の人件費を次年度に繰越をすことになった。また、コロナウィルスの影響で研究打合せの出張がなくなり、旅費への支出が減った。