|
個体内変動値もしくは、問診項目やテキストデータなどの情報を組み合わせて、検査値の時系列変化を予測するシステムをこれまで構築を行った。HbA1c値を対象として、経過記録内容からHbA1c値の個体内変動を推定する深層学習モデルを構築し、その個体内変動とHbA1c値自身の時系列変化を予測するシステムを構築した。高知大学医学部附属病院における実際の患者データに適用し、HbA1c の変動幅の大きさを経過記録から推定し、HbA1cの時系列予測を行った。予測HbA1c値のRMSEが半減した結果が得られた。BMI、高血圧症などの既往歴、生活習慣に対する問診項目に基づいて、HbA1c値の基準値を超えるまでの日数を予測する状態空間モデルを構築した。HbA1c値を推定する観測モデルの入力として必要な問診項目をAICに基づいて選択して、観測モデルパラメータを同定した。健診施設データに対して適用し、3年以内に基準値を超えるかどうかの判定結果をROC で評価し、AUCが0.93であることを示した。この結果は受診者の生活習慣と現在のHbA1c値で糖尿病発症のリスクを定量的に示すことが可能であることを示してお り、受診者の生活改善に寄与する可能性があることも示している。
これらのアプローチの結果から、対象患者の他の情報と連携することで患者の現在の状態推定に寄与することが可能であることが示された。また、この現在の状態推定により時系列変化の予測推定精度を向上することが可能であることも示された。
|
