| 研究課題/領域番号 |
20H00569
|
|---|
| 研究機関 | 東京大学 |
|---|
研究代表者 |
山本 義春 東京大学, 大学院教育学研究科(教育学部), 教授 (60251427)
|
|---|
| 研究分担者 |
北島 剛司 藤田医科大学, 医学部, 教授 (40360234)
吉内 一浩 東京大学, 医学部附属病院, 准教授 (70313153)
中村 亨 大阪大学, 基礎工学研究科, 特任教授(常勤) (80419473)
|
|---|
| 研究期間 (年度) |
2020-04-01 – 2023-03-31
|
| キーワード | 健康リスクの制御 / IoTデバイス / 心身の不調 / Just-in-Time適応型介入 / Micro-Randomized Trial |
|---|
| 研究実績の概要 |
1年目（2020年度）の目標は、just-in-timeな介入を実現するための技術と手法を開発することであった。(a)IoTクラウドデータコレクターシステムの改良と機能拡張、(b)心身の不調を検知する技術の開発とシステムへの実装、(c)介入手法の開発とシステムへの実装に取り組んだ。
(a)については、作業時のモニタリングを想定した音声認識型EMAを組み込むことにより、ユーザーの負担低減を実現した。
(b)と(c)については、勤労者45名を対象として睡眠衛生改善に関する小規模実証実験を行った。事前に各被検者の平日と休日の睡眠時間を聞き取り、それをもとに目標睡眠時間（平日5日と休日2日で重みづけをした1日当たりの平均的な睡眠時間）を被検者ごとに計算した。その後、2週間にわたって各被検者に実時間睡眠活動計測装置（サイエンスネット社と共同開発したデバイス）を常時手首に装着してもらうとともに、専用アプリをインストールした個人のスマートフォンを常時携帯してもらった。介入群（15名）については、活動量計から取得されるデータをもとに、1日1回、前日の睡眠時間を推定し、睡眠負債（推定睡眠時間と目標睡眠時間の差）および累積睡眠負債を算出し、アプリを通じてその結果を通知した。分析の結果、睡眠負債そのものに対する介入の効果は見られなかったものの、1日1回実施した介入により睡眠時間のばらつきが減少する傾向が見られた。
(a)～(c)をほぼ計画通り実施し、just-in-timeな介入を実現するための基本的な技術と手法は整ったことが確認できた。
|
| 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
最終的な目標を達成するための技術と手法の開発が予定通り行われた。
|
| 今後の研究の推進方策 |
2年目（2021年度）は、「微細にランダム化された試行」（micro-randomized trial; MRT）による実証実験と、個人に最適化された介入手法の導出に取り組む。具体的には、以下の(d)～(f)を行う。
(d)健常者を対象としたMRTによる実証実験：健常な勤労者を対象として、開発した介入システムの実証実験を実施する（一人につき2か月間×約200人を2回）。その際、例えば、身体活動の値があらかじめ決めておいた閾値を下回った場合に、3通りの介入オプションをそれぞれ0.4、0.4、0.2の確率でランダマイズして実行することによって（MRTの実施）介入の効果を検証する。介入の効果を測るための指標として、日々の気分・身体症状や睡眠・身体活動、プレゼンディーイズム・アブセンティーイズムや心身の健康状態などのデータを介入前から介入後まで連続的に取得し、経時変化を調べる。
(e)気分障害患者を対象としたMRTによる実証実験：気分障害（大うつ病性障害など）と診断された勤労者で、軽度から中等度のうつ状態あるは寛解状態にある者（休職中の者を含む）を対象として、(d)と同様の実証実験を行う（一人につき2か月間×約30人）。臨床経験上、これらの患者においては日々の生活がルーズになりやすく、睡眠の乱れが見られることが多いことから、特に睡眠調整に焦点を当てたMRTを行う。
(f)個人に最適化された介入手法の導出：(d)と(e)で得られた大規模データを用いて、統計学習、機械学習等による分析を行う。例えば機械学習の場合、用意された介入の内容と有無（MRTによる）、測定されたEMAデータ、個人の属性等を基に特定の変量（例えばストレス）への効果の有無・大小を分類・回帰するような学習を行わせる。このようにして作られた学習器を用いて、3年目には臨床への応用を見越した実証実験を行う予定である。
|
