| 研究課題/領域番号 |
23K09302
|
|---|
| 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57050:補綴系歯学関連
|
|---|
| 研究機関 | 昭和大学 |
|---|
研究代表者 |
三田 稔 昭和大学, 歯学部, 助教 (10817612)
|
|---|
| 研究期間 (年度) |
2023-04-01 – 2026-03-31
|
| 研究課題ステータス |
交付 (2023年度)
|
| 配分額 *注記 |
3,120千円 (直接経費: 2,400千円、間接経費: 720千円)
2025年度: 650千円 (直接経費: 500千円、間接経費: 150千円)
2024年度: 520千円 (直接経費: 400千円、間接経費: 120千円)
2023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 | 機械学習 / 口腔機能 / 口腔関連QoL |
|---|
| 研究開始時の研究の概要 |
補綴治療のアウトカム評価として、口腔関連Quality of Life (QoL)を代表とする患者立脚型の主観評価の重要性が認識されて久しい。一方で、口腔機能低下症の診断のための機能評価が保険収載され、特に口腔機能面での客観的アウトカム評価の項目が充実しつつある。本研究では機械学習を用いて患者の特性に合わせた主観的評価と客観的評価の有機的な関連について分析し、患者満足度の予測モデルを構築する。これにより患者ごとに最適化された治療選択の一助となり、効果的な口腔関連QoL向上を達成し国民の健康増進に資することを目指す。
|
| 研究実績の概要 |
近年、人工知能（Artificial Intelligence）の進化が著しく、それに伴い、機械学習（Machine Learning）と呼ばれる人間の学習能力に類似した機能をコンピュータで実現する技術の医療応用が積極的に試みられています。本研究は、機械学習を基盤とした補綴歯科治療の診断システムを確立することを目指し、口腔内スキャナーで取得された患者のデジタル歯列データや口腔機能検査の情報を活用します。具体的には、機械学習を用いて歯の欠損を客観的な定量データとして分析し、口腔機能検査と口腔関連の生活の質（QoL）との相関アルゴリズムを構築することを目指しています。
研究はすでに、患者情報を収集し、その解析を行う準備が整っています。また、現在は研究対象となる被検者を募り、光学印象の採取や咬合力の測定、グミゼリーを用いた咀嚼検査などのデータ収集を実施しています。これにより、予定通りのデータ収集を達成することが期待されています。さらに、口腔関連の生活の質（QoL）と補綴装置の種類に関する分析については、既に学会で発表が行われました。
今後は、収集されたデータをもとに、欠損パターンと咀嚼能力、口腔関連の生活の質（QoL）との相関についてより詳細な分析を進めます。これにより、本研究プロジェクトの先行研究に関する論文が執筆され、投稿されました。このような先行研究の成果を踏まえて、より深い洞察を得ることが期待されています。
|
| 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
研究はすでに、患者情報を収集し、その解析を行う準備が整っています。また、現在は研究対象となる被検者を募り、光学印象の採取や咬合力の測定、グミゼリーを用いた咀嚼検査などのデータ収集を実施しています。これにより、予定通りのデータ収集を達成することが期待されています。さらに、口腔関連の生活の質（QoL）と補綴装置の種類に関する分析については、既に学会で発表が行われました。
今後は、収集されたデータをもとに、欠損パターンと咀嚼能力、口腔関連の生活の質（QoL）との相関についてより詳細な分析を進めます。これにより、本研究プロジェクトの先行研究に関する論文が執筆され、投稿されました。このような先行研究の成果を踏まえて、より深い洞察を得ることが期待されています。
|
| 今後の研究の推進方策 |
引き続き被験者の募集を行い，患者・対照各100名を目指し臨床情報を取得していく.また，研究初期から参加している被験者については経時的な口腔機能検査，アンケートによる口腔関連QoL評価を縦断的に行う.また，機械学習によるモデル構築を開始する.機械学習アルゴリズムに関してはKim, et al.(Bone. 2018)等の報告を参照し，多変量ロジスティック回帰モデル，近年多く用いられている決定木と Boostingのアンサンブル学習を組み合わせたLight GBMをPythonで実装する。この際に、 術後のパラメータの絶対値を用いたモデルと、術前術後の差分を用いたモデルの両者で妥 当性を検証する。また、過学習の防止のために、得られたデータをHold out 法により学習 データと検証データに分けて、学習データから得られたモデルに検証データを適用し、妥 当性の検証を行う。Hold out法による精度のばらつきの欠点については、シミュレーショ ンを複数回行い、平均をとることで回避する。サンプル数がHold out法を行うのに不十分な場合は情報量基準を用いて対応する。
|
