| 研究課題/領域番号 |
20K16035
|
|---|
| 研究種目 |
若手研究
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
小区分47060:医療薬学関連
|
|---|
| 研究機関 | 慶應義塾大学 (2022)
北海道大学 (2020-2021) |
|---|
研究代表者 |
今井 俊吾 慶應義塾大学, 薬学部(芝共立), 講師 (40845070)
|
|---|
| 研究期間 (年度) |
2020-04-01 – 2024-03-31
|
| 研究課題ステータス |
交付 (2022年度)
|
| 配分額 *注記 |
4,160千円 (直接経費: 3,200千円、間接経費: 960千円)
2023年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2022年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
2021年度: 910千円 (直接経費: 700千円、間接経費: 210千円)
2020年度: 520千円 (直接経費: 400千円、間接経費: 120千円)
|
|---|
| キーワード | 機械学習 / バンコマイシン / 治療薬物モニタリング / 薬剤投与設計 / 薬物動態 |
|---|
| 研究開始時の研究の概要 |
本研究では、これまで薬物動態解析の結果に基づきおこなわれてきた「薬剤投与設計」に機械学習を応用することに挑戦する。具体的には、機械学習の手法の一つであるDecision Treeモデルを用いて、バンコマイシンの初期投与設計アルゴリズムを構築し、構築したアルゴリズムの精度検証をおこなう。このことで、機械学習を用いた新しい薬剤投与設計法確立つへの基盤となるエビデンスを構築する。本研究のアプローチはあらゆる薬剤に応用可能であり、薬剤投与設計の精度向上に広く貢献することが期待される。
|
| 研究実績の概要 |
今年度は、協力医療機関（北海道大学病院ならびに砂川市立病院）に赴いて収集した1,380例の診療情報をもとに、VCMの至適投与量予測モデルを構築した。1,380例中822例を解析対象とし、構築データと検証データが8:2（それぞれ661例ならびに161例）になるようランダムに分割した。モデル構築データを用いた機械学習モデルは、目標血中濃度-時間曲線下面積 (AUC) 500 mg・hr/Lを達成する補正投与量を従属変数とし、年齢、推算糸球体濾過量 (eGFR)、Body Mass Index (BMI) < 18.5 kg/m2、BMI≧25 kg/m2、併用薬を独立変数として決定木分析の手法の一つであるClassification and Regression Tree algorithmを用いて構築した。AUCの算出にはPractical AUC guided TDM for vancomycin ver.1.2を用いた。構築された決定木モデル（モデル構築データ，661例を使用)は最大5回分割され、13個のサブグループに枝分かれした。モデルに組み込まれた変数はeGFR、年齢、BMI 25 kg/m2であり、各サブグループにおける推奨投与量は17.6－59.4 mg/kg/dayとなった。これら13個のサブグループに基づき、変数の組み合わせごとに推奨される投与量のノモグラムを作成した。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
今年度は機械学習を用いたVCM投与設計アルゴリズムの構築に成功した。次年度はモデル検証用データを用いてその精度を検証していく予定である。概ね当初の予定通りであり、研究は順調に進捗している。
|
| 今後の研究の推進方策 |
今年度は機械学習を用いたVCM投与設計アルゴリズムの構築に成功した。次年度はモデル検証用データ（161例）を用いてその精度を検証していく。具体的には、本研究で作成したモデルならびに既報のノモグラムから算出される予測AUCとガイドラインで推奨されるAUC 500 mg・hr/Lとの誤差範囲を確認するために、機械学習における誤差指標である平均予測誤差 (mean prediction error; ME) ならびに 平均予測絶対誤差 (mean absolute prediction error; MAE) を評価していく。
|
