研究課題
我が国ではMID-NET、NDB、千年カルテその他電子カルテやレセプトデータ等を活用する医療ビッグデータの大型国家プロジェクトが多数実施されている。しかし、我が国の電子カルテに登録されている病名情報は、いわゆる「レセプト病名」で、精度が極めて低い。我が国の臨床研究のコスト削減と効率化のために、AI（機械学習）の活用が期待されている。当初、本研究において、AI技術を利用し、専門医がAIと対話型で電子カルテに格納された病名の精度を検証する「対話型電子カルテ病名精度検証システム」の開発を行う予定であった。しかし、医療でのAI利用の進展は目覚ましく、すでに新規性が乏しくなっていた。現在の診療は、個々の患者の具体的な治療方針は初診から現在までの臨床評価で得られるデータや治療歴を基に判断され、将来の状態遷移については医師の臨床経験に基づく推測に依存している。従来の診察時の臨床評価に加え、日々の診療の中で状態変動性を評価することで、治療全体の状態遷移の中での現在の状態の位置づけの把握と、今後遷移する状態の予測が可能となる。本研究では、単に病名や症状を類推するだけでなく、我が国を代表する大規模リウマチ疾患多次元時系列データベースである京都大学のKURAMAコホートを対象に、エネルギーランドスケープ解析と時系列クラスタリングという手法を組み合わせて、時系列で刻々と変遷する患者の「状態」を治療効果と関係付けて可視化する数理モデルの開発を行った。KURAMAコホートに集積された多次元時系列データを用いて、治療経過全体を時間依存的に解析した。本研究で、日々の診療の中で、患者の状態に加え、状態変動性を評価することで、治療経過全体にわたる治療計画の最適化が可能となりうることが示唆された。
すべて 2024 2023
すべて 雑誌論文 (1件) 学会発表 (2件)
PLOS ONE
巻: 19 ページ: e0302308
10.1371/journal.pone.0302308
