2022 Fiscal Year Research-status Report
新型コロナウイルス感染症療養患者の健康管理アルゴリズム確立及び管理ツールの開発
| Project/Area Number |
21K10367
|
|---|
| Research Institution | Tohoku University |
|---|
Principal Investigator |
石井 正 東北大学, 大学病院, 教授 (00650657)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
市川 学 芝浦工業大学, システム理工学部, 准教授 (60553873)
植田 琢也 東北大学, 医学系研究科, 教授 (40361448)
押谷 仁 東北大学, 医学系研究科, 教授 (80419994)
赤石 哲也 東北大学, 医学系研究科, 助教 (80833904)
|
|---|
| Project Period (FY) |
2021-04-01 – 2024-03-31
|
| Keywords | COVID-19 / mild-moderate COVID-19 / risk factor / machine learning / prediction model / prolonged symptoms |
|---|
| Outline of Annual Research Achievements |
令和4年度において実施した研究については、概ね交付申請書内の「研究方法・計画」に記載の通りの進捗となった。令和3年度の報告のとおり、宮城県内におけるCOVID-19宿泊療養施設から患者データを得て（年齢、性別、基礎疾患、常用薬、COVID-19発症日、検査日、療養施設入所日・退所日、入院の有無等および療養施設内での毎日の症状変化等）、統計解析および機械学習に用いるための匿名化データベースを作成した。令和4年度はそのデータベースを用いて、①宿泊療養施設に入所した患者の低酸素血症発症に関わるリスクファクターの解析、②機械学習の手法を用いた低酸素血症発症予測、③宿泊療養施設での療養が長引く、つまり発熱または呼吸器症状が長引く患者に関わるリスクファクターの解析を行なった。
①低酸素血症発症に関わるリスクファクターは年齢の上昇（オッズ比;1.08、95%信頼区間1.06－1.10)と男性(オッズ比;4.70、95%信頼区間2.39－9.22)の２つのみであったことから、宿泊施設に入所した患者は重症化に関わるリスクファクターの少ない集団であったことが確かめられた。②機械学習、主にrecurrent neural networkの手法を応用して症状の変動から24時間後の低酸素血症の発症を予測するモデルを作成し、過去にない高精度の予測モデルを作成することに成功した（AUC 0.88）。③発症から2週間以上の長期療養となるリスクファクターは年齢の上昇(オッズ比;1.02、95%信頼区間1.01－1.04)、療養施設入所時中等症Ⅱ（オッズ比;37.8、95%信頼区間1.40－1020)、発症後COVID-19診断前の抗菌薬処方(オッズ比;1.99、95%信頼区間1.06－3.72)、発症時呼吸器症状がある(オッズ比;1.75、95%信頼区間1.12－2.73)であった。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
概ね研究計画調書に記載の通りの進捗状況である。低酸素血症に関わるリスクファクター、療養の長期化に関わるリスクファクターが同定されたため、これらのリスクファクターを用いて、宿泊療養施設に入所するCOVID-19軽症者のトリアージ基準をさらに適切なものへと策定することが可能となる。また、低酸素血症発症に関わっていたと考えられる症状は体温、脈拍、咳、呼吸困難、胸痛、倦怠感、頭痛、嘔気嘔吐、食欲不振、味覚障害、嗅覚障害、不安感、不眠であることが同定され、これらの症状の経時的な変化を用いて低酸素血症発症の予測モデルを作成しえた。今後、療養患者の健康管理でこれらの症状の観察が重要であると考えられる。機械学習による低酸素血症発症予測のアルゴリズムも予定通り作成することができたが、RASECC-GM（現在は「D24H」（https://www.ds.se.shibaura-it.ac.jp/wp-content/uploads/2019/11/D24Hパンフレット.pdf）に移行）に実装する前にCOVID-19の変異株やワクチン接種による影響も検証する必要が生じたため、令和4年度内にRASECC-GMに実装することはしなかった。結果として進捗に遅れが生じることとなったが、より正確で実用的なツールを作成するためには必要であると判断している。
|
| Strategy for Future Research Activity |
本研究課題については引き続き研究計画に即して進めていく予定である。次年度は療養施設に入所した患者のデータをさらに増やし、COVID-19の変異株やワクチン接種の影響をも包含した宿泊施設療養患者の健康管理アルゴリズム、具体的には低酸素血症発症予測アルゴリズムをRASECC-GMを応用して、誰にでも利用できるようにすることを目標とする。機械学習による低酸素血症発症予測モデルはすでに作成できているため、COVID-19変異株に感染した患者やワクチンを接種済みの患者のデータを取得することができれば、容易にモデルをブラッシュアップすることができる。それらの患者データは宮城県庁に保管されており、これまでと同様にデータ取得が可能であるため、目標到達は十分可能であると見込んでいる。
|
| Causes of Carryover |
新型コロナウイルス感染拡大のため、予定していた遠方への出張（学術集会参加、研究分担者との対面打ち合わせ等）がキャンセルとなったため未使用額が生じた。その分は次年度埋め合わせる形で出張経費として使用する予定である。
|
