研究課題/領域番号 |
22K09112
|
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55060:救急医学関連
|
研究機関 | 新潟大学 |
研究代表者 |
西山 慶 新潟大学, 医歯学総合研究科, 教授 (90447970)
|
研究分担者 |
本多 忠幸 新潟大学, 医歯学系, 准教授 (70231579)
大橋 さとみ 新潟大学, 医歯学総合病院, 准教授 (00313510)
本田 博之 新潟大学, 医歯学総合病院, 講師 (20535174)
八幡 えり佳 新潟大学, 医歯学総合病院, 特任助教 (30622906)
石川 博補 新潟大学, 医歯学総合病院, 助教 (80769399)
上村 夏生 新潟大学, 医歯学系, 助教 (00792285)
晝間 優隆 新潟大学, 医歯学総合病院, 助教 (50915048)
松井 亨 新潟大学, 医歯学総合病院, 助教 (60753283)
|
研究期間 (年度) |
2022-04-01 – 2025-03-31
|
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)
2024年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
2023年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2022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 | 心肺停止 / 画像 / 人工知能 / 集中治療 / 救急 / 心肺蘇生 |
研究開始時の研究の概要 |
すでにパイロット研究における患者エントリーは終了しており、データ解析を開始している。またデータ解析を行う東京大学放射線科は、ラディオミクスをはじめとしたがん診療におけるCTデータの人工知能による解析の研究実績が豊富にあり、DAICOMデータに基づいた解析が十分に可能な環境が整っている。 予備的な解析により、多機種CTデータの抽出・再構成および特徴量抽出の方法論の開発はほぼ終了しており、今後は多施設からのデータを用いてこれらの解析の方法論をvalidationした後、アウトカム(神経学的予後)と紐づく特徴量の抽出を行っていく予定である。
|
研究実績の概要 |
本研究は関連するガイドラインおよび規則に従い、東京大学医学部附属病院の施設審査委員会(文献番号2018082NI)により承認された。2017年から2019年の間に防衛医科大学校、京都医療センター、京都第一赤十字病院で自己心拍再開後に頭部CTを撮影した93名の院外心肺停止患者の臨床データと頭部CTデータをレトロスペクティブに収集した。外傷または脳損傷を呈する患者は調査対象から除外された。CT画像に金属や骨のアーチファクトがひどく広がっていたため、7人の患者のデータを調査から除外した。そのため、本研究では86名のCA患者のデータを使用した。これらのCA患者の90日後の神経学的予後をGlasgow-Pittsburgh cerebral performanceに基づき評価し、31名、1名、2名、13名、39名がそれぞれCPC1、2、3、4、5を示した。CPCが2までが神経学的予後良好と定義し、32人の患者が予後良好で、残りの54人を予後不良と定義した。さらに下記の概要で解析を開始した。VOIの設定には2つの戦略を採用した。まず、脳CT画像にVOI(Volume of Interest)を設定し、QIBs(特徴量)を抽出した。続いて、前処理を行った後、1170個のQIBを算出し、原画と変換後のCT画像のVOIで確認した。QIBは、1次ヒストグラムとテクスチャ関数で構成されている。さらに、訓練セットを用いた特徴選択アルゴリズムにより、分類のための代表的なQIBを選択した。最後に、単変量解析では、テストセットにおける各代表的なQIBの分類性能を評価した。多変量解析では、トレーニングセットを用いて機械学習モデルを構築し、その性能をテストセットで評価した。
|
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
臨床データの収集が終了し、解析方法もほぼ確立されている。
|
今後の研究の推進方策 |
データをトレーニングセットとテストセットに分け、トレーニングセットを用いて、分類のための代表的な定量的画像バイオマーカーを選択する。 単変量解析では、Brunner-Munzel検定のp値とテストセットの受信者操作特性曲線下面積(AUC)によって分類を評価し、多変量解析では、トレーニングのために機械学習モデルを構築し、テストセットでのAUCで評価する。
|