研究課題/領域番号 |
21K10287
|
研究種目 |
基盤研究(C)
|
配分区分 | 基金 |
応募区分 | 一般 |
審査区分 |
小区分58010:医療管理学および医療系社会学関連
|
研究機関 | 東邦大学 |
研究代表者 |
中村 啓二郎 東邦大学, 医学部, 講師 (20366181)
|
研究分担者 |
朱 欣 会津大学, コンピュータ理工学部, 上級准教授 (70448645)
|
研究期間 (年度) |
2021-04-01 – 2024-03-31
|
研究課題ステータス |
交付 (2022年度)
|
配分額 *注記 |
3,770千円 (直接経費: 2,900千円、間接経費: 870千円)
2023年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
2022年度: 650千円 (直接経費: 500千円、間接経費: 150千円)
2021年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
|
キーワード | 深層学習 / 心不全 / 予後因子 / 予後予測 |
研究開始時の研究の概要 |
近年、高齢者心不全の症例が急増し、将来的な心不全患者の増加による医療費増大が社会的な問題として危惧されている。一方、深層学習を用いて心不全の予後予測を行う研究が注目されている。深層学習の特徴として、入力情報より低次の特徴量から高次の特徴量を自動的に抽出することができ、高い精度予後予測が可能であり、臨床研究への応用が期待されている。本研究は、心不全の臨床データを用いて深層学習(deep learning)による予後予測モデルの構築を行い、心不全増悪因子の同定や予後予測を行う。さらにDPCデータからの情報を利用して、心不全患者のQOLの改善や医療経済的な課題解決へのアプローチを行う。
|
研究実績の概要 |
本研究「深層学習を用いた心不全に対する予後予後モデルの構築」について2016年~2020年の5年間に心不全で入院した730例のDPCデータと各検査データを加え たデータベースを構築、さらにクラスター分析と深層学習による予後予測の検証を行った。まず、クラスター分析についての研究成果は、5つのクラスターに分類され、年齢と腎機能の2つの予後因子は判明、「Exploring and Identifying Prognostic Phenotypes of Patients with Heart Failure Guided by Explainable Machine Learning」としてLife(IF=3.78)という医学雑誌にアクセプトされた。さらに、深層学習による解析については、従来の深層学習モデルであるDeepSurvによる検証と最新の時間軸を含めたRNNSurv、そしてCox proportional hazardモデルによる比較検証を行い、結果、時間軸を含めたRNNSurvの方が予後予測精度が高いことが示された。また、Cox proportional hazardモデルと比較して交絡因子に左右されることなく予後因子の同定とリスク評価を行うこと が可能であった。その結果について「Risk of Mortality Prediction Involving Time-varying Covariates for Patients with Heart Failure Using Deep Learning」というタイトルにてFrontiers in Cardiovascular Medicine (IF=4.79)に医学雑誌にアクセプトされた。現在、国立国際医療センターと心臓血管研究所付属病院も含めて多施設での検証を行い、開発した深層学習モデルの有用性を明らかにする。
|
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
既にデータベース構築・深層学習モデルを構築を終え、本研究の研究成果について報告、2つの医学雑誌にアクセプトされているため
|
今後の研究の推進方策 |
今後は多施設でのデータベース構築を行い、症例数を2000例まで増やす予定である。さらに、従来の心不全病型分類と比較検証、また、心筋ストレイン指標に基づいたマルチモダリティによる深層学習モデルを構築し、心筋ストレイン指標による深層学習による新たな心不全分類と予後予測を行う予定である。
|