| 研究課題/領域番号 |
23K21506
|
|---|
| 補助金の研究課題番号 |
21H03165 (2021-2023)
|
|---|
| 研究種目 |
基盤研究(B)
|
| 配分区分 | 基金 (2024)
補助金 (2021-2023) |
|---|
| 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 | 九州大学 |
|---|
研究代表者 |
鴨打 正浩 九州大学, 医学研究院, 教授 (80346783)
|
|---|
| 研究分担者 |
福田 治久 九州大学, 医学研究院, 准教授 (30572119)
松尾 龍 九州大学, 医学研究院, 教授 (60744589)
北園 孝成 九州大学, 医学研究院, 教授 (70284487)
松本 晃太郎 九州大学, 医学研究院, 助教 (60932217)
|
|---|
| 研究期間 (年度) |
2021-04-01 – 2025-03-31
|
| 研究課題ステータス |
交付 (2024年度)
|
| 配分額 *注記 |
12,090千円 (直接経費: 9,300千円、間接経費: 2,790千円)
2024年度: 2,860千円 (直接経費: 2,200千円、間接経費: 660千円)
2023年度: 2,860千円 (直接経費: 2,200千円、間接経費: 660千円)
2022年度: 2,860千円 (直接経費: 2,200千円、間接経費: 660千円)
2021年度: 3,510千円 (直接経費: 2,700千円、間接経費: 810千円)
|
|---|
| キーワード | 脳卒中 / 診療行為 / 費用対効果 / 機械学習 / 機能予後 / ADL / QOL / 予後 / データ駆動型予測 |
|---|
| 研究開始時の研究の概要 |
大規模脳卒中患者登録データに対して、正則化線形回帰や決定木アンサンブル学習などの機械学習手法を用いて、網羅的な変数による機能予後、生命予後の予測モデルを開発する。交差検証、時間的検証、外部検証により、予測モデルの妥当性を検証する。リスク調整を行った上で、標準偏回帰係数や変数重要度から短期及び長期機能予後、生命予後、ADL×生存年等のアウトカムの予測確率に対して大きな影響を及ぼす診療行為を抽出する。シミュレーションを行い、各診療行為の変数の実測値と仮想値における推定予後確率の変化を検討する。診療点数あたりの効果に変換し費用対効果を推定する。
|
| 研究実績の概要 |
脳卒中患者において予後に関連する因子を同定し、それらが短期及び長期予後に及ぼす影響について検討を行った。
急性期脳梗塞患者を対象に、内臓脂肪と体重が短期機能予後に及ぼす影響を検討する目的で、入院時に腹位、体重、身長を測定した。腹囲が小さい患者、あるいはBody Mass Indexが低い患者では機能予後が不良であった。一方、腹囲、BMIと機能予後不良リスクの間には非線形的な関係があり、腹位、BMIともに大きくなるとリスク低減効果は減弱した。
脳梗塞発症後の体温を急性期から亜急性期にかけて測定し、その後の神経症状の経過や短期機能予後に及ぼす影響を検討した。急性期の体温が上昇すればするほど神経学的な改善は見られなくなり、機能予後不良リスク上昇と有意な関連が見られた。神経学的重症度、C反応性タンパク値、急性期感染症などの因子を調整してもこれらの関連性は見られており、脳梗塞患者において高体温は独立した回復阻害因子となっている可能性が示唆された。
脳梗塞発症時の尿酸値と短期機能予後の関連を見てみると、尿酸値低値は機能予後不良リスクの上昇と関連していた。この関連性は様々な交絡因子を調整してもなお存在しており、年齢、性、脳梗塞病型、神経学的重症度、慢性腎臓病の有無に関わらず同様な関連性は認められた。
長期の脳卒中再発、生命予後に関連する因子として、慢性腎臓病（chronic kidney disease：CKD）に注目して検討を行った。脳梗塞患者を対象に、発症時にeGFR、尿タンパクを測定し、平均4.3年間追跡調査を行った。Cox比例ハザードモデルを用いて、長期の脳卒中再発、生命予後との関連性について検討すると、CKD、eGFR、尿タンパクはいずれも、脳卒中再発リスク、死亡リスクの上昇と関連していた。ただし、尿タンパクとの関連は年齢、脳梗塞病型により異質性が見られ、eGFRと尿タンパクは病因論的に異なる意義を有している可能性が示唆された。
|
| 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
脳卒中患者の登録は終了し、引き続き高い追跡率で予後調査を継続している。診療行為に関してはDPCデータより情報の収集が終了した。現在は機械学習モデルを作成し、予測モデルの精度を確認している。内部検証、時間的検証、外部検証による妥当性について検討している。
|
| 今後の研究の推進方策 |
年齢、性、脳卒中重症度（NIHSS）、発症前生活機能（mRS）、脳卒中病型、脳卒中危険因子（高血圧、糖尿病、脂質異常症、心房細動、喫煙、飲酒）、併存症等のリスク調整を行った上で、脳卒中に対する診療行為（再灌流療法：経静脈的血栓溶解療法、経皮的血栓回収術、入院病床：脳卒中ケアユニット、ハイケアユニット、特定集中治療室、栄養：鼻腔栄養、中心静脈栄養、栄養サポートチーム、リハビリテーション：脳血管疾患等リハビリテーション、摂食機能訓練、薬物療法：抗血小板薬、抗凝固薬、降圧薬、スタチン、経口血糖降下薬など）が機能予後、生命予後に及ぼす影響を、機械学習手法を用いて網羅的に探索する。
診療行為を説明因子に組み込み、短期の機能予後不良、死亡、長期の脳卒中再発、死亡について、スパース正則化線形回帰（LASSO、Ridge、Elastic Net）、決定木アンサンブルモデル（Random Forest、XGBoost）を用いて予測モデルを作成する。予測精度は識別能（discrimination）として、AUROC、AUPRC、感度、特異度、陽性的中率、陰性的中率を確認する。また較正（calibration）として、calibration plotを行い、予測確率と観測確率の関係性を確認する。内部検証として5分割交差検証および時代的検証を行い、外部検証として異なる施設間での予測精度を検証する。
スパース正則化線形回帰においては標準化偏回帰係数、決定木アンサンブルモデルにおいてはSHAP（SHapley Additive exPlanations）値を用いて、各診療行為の重要度を推定する。重要度が上位の変数から、実測値、最低値、最高値へと仮想値に変化させて、アウトカムの予測確率の変化をシミュレーションする。また、それら診療行為の変化率と診療報酬点数から費用と効果のバランスを比較、検討する。
|
