| 研究課題/領域番号 |
22K10639
|
|---|
| 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58050:基礎看護学関連
|
|---|
| 研究機関 | 医療創生大学 |
|---|
研究代表者 |
伊藤 嘉章 医療創生大学, 国際看護学部, 准教授 (60804870)
|
|---|
| 研究分担者 |
今井 哲郎 広島市立大学, 情報科学研究科, 講師 (10436173)
川口 孝泰 医療創生大学, 国際看護学部, 教授 (40214613)
大石 朋子 (大塚朋子) 湘南鎌倉医療大学, 看護学部, 講師 (40413257)
葛西 好美 医療創生大学, 国際看護学部, 教授 (70384154)
高橋 道明 医療創生大学, 国際看護学部, 准教授 (90710814)
|
|---|
| 研究期間 (年度) |
2022-04-01 – 2025-03-31
|
| 研究課題ステータス |
交付 (2023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: 910千円 (直接経費: 700千円、間接経費: 210千円)
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: 1,950千円 (直接経費: 1,500千円、間接経費: 450千円)
|
|---|
| キーワード | 生体情報 / 指尖容積脈波 / 機械学習 / 心理的ストレス / 心不全 / セルフモニタリング / 看護実践 / 意思決定支援 / 自然言語処理 / フェイストラッキング |
|---|
| 研究開始時の研究の概要 |
本研究は、患者のモニタリングデータ（患者情報）と看護師の意思決定（看護情報）を拡張知能技術によって融合し、心不全患者の個別化医療実現に向けたAI拡張型看護支援システムの開発を目的とする。
第１フェーズは、患者・看護情報を特徴量ベクトルとし、看護師の判断データを教師信号とした教師あり学習を実施し、意思決定（判断ベクトル）を提案するシステムを構築する。
第２フェーズは、開発したシステムに対し、さらなる精度向上を目的としたアルゴリズムの見直しを実施する。
第３フェーズは、検証実験を実施する。
|
| 研究実績の概要 |
医療分野ではAI（Artificial Intelligence）による意思決定支援ツールの開発が活発に営まれ、従来の治療中心の医療から予防医療・予見医療への移行が急速に進んでいる。AI技術は、大量のデータを収集することで予測精度を向上させるが、過去に前例のない事例が出現する医療現場においてAI技術による判断では、対応が難しいケースが多い。そこで本研究は、センシング技術で測定可能なデジタル情報と人間の心理・感情といったアナログ情報、さらには対象の些細な変化を察知する看護観察技術と判断を融合した新たなAI拡張型看護支援システムの開発を目的とした。
2023年度は指尖容積脈波から算出される生体情報を用いて、対象の心理的状態を判別するモデル開発に取り組んだ。使用した生体情報は脈波の波高比、心拍変動指数、カオス指標である。それらの変数を特徴量の候補として、機械学習モデル（Elastic Net）に学習させ、心理的ストレス状態と安静状態の判別を試みた。解析の結果、最適化モデルにおいては適合率90％、再現率70％、F1スコア79％、正解率75％の精度で判別することができた。また判別に寄与した特徴量は、e/a（波高比）、リアプノフ指数（カオス指標）、d/a（波高比）、エントロピー（カオス指標）であった。今年度の調査によって、指尖容積脈波の生体情報は対象の心理的ストレスと安静状態における生体内の変化を明らかにする特徴量となる可能性が示唆された。また過去の心不全患者の看護記録の中から看護実践を抜き出し、心不全患者のセルフモニタリング能力獲得に向けた支援の在り方について調査を進めた。その結果、心不全患者に対する看護の特徴として「体調管理の状況」「身体症状の変化」といった対象に生じている状況に対応する看護が広く展開されている傾向が明らかとなった。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
3: やや遅れている
理由
今年度は指尖容積脈波から算出した生体情報を用いて、対象の状態を判別する解析を実施することができた。一方で、心不全患者に対する看護実践の質的データとの統合までは果たすことができなかった。今後は量的データ、質的データを統合した解析方法について検討を進める必要がある。
|
| 今後の研究の推進方策 |
当初の計画に大きな変更はない。これまでの調査における取り組みを活かしながら、過去の患者データを解析に用いることで目的達成に向けて量的データと質的データから心不全患者の状態を判別する機械学習モデルの作成に取り組み、研究を推進する。
|
