文献情報
文献番号
202209026A
報告書区分
総括
研究課題名
Value-based medicineの推進に向けた循環器病の疾患管理システムの構築に関する研究
研究課題名（英字）
-
課題番号
21FA1010
研究年度
令和4(2022)年度
研究代表者(所属機関)
飯原 弘二(国立研究開発法人国立循環器病研究センター 病院)
研究分担者(所属機関)
- 西村 邦宏(独立行政法人国立循環器病研究センター・研究開発基盤センター 予防医学・疫学情報部 ＥＢＭ・リスク情報室)
- 竹上 未紗(国立循環器病研究センター 研究基盤開発センター 予防医学・疫学情報部)
- 尾形 宗士郎(国立循環器病研究センター 研究基盤開発センター 予防医学・疫学情報部)
- 野口 輝夫(国立研究開発法人国立循環器病研究センター 病院)
- 泉 知里(国立循環器病研究センター 心臓血管内科)
- 猪原 匡史(国立研究開発法人国立循環器病研究センター 病院 脳神経内科)
- 横田 千晶(国立研究開発法人国立循環器病研究センター 内科脳血管部門)
- 田宮 菜奈子(国立大学法人筑波大学 医学医療系 / ヘルスサービス開発研究センター)
- 宮井 一郎(社会医療法人大道会森之宮病院)
- 鴨打 正浩(九州大学大学院医学研究院 医療経営・管理学講座)
- 下川 能史(九州大学 脳神経外科)
- 安斉 俊久(北海道大学大学院医学研究院 循環病態内科学教室)
- 永井 利幸(北海道大学 大学院医学研究院)
- 林 知里(兵庫県立大学 地域ケア開発研究所)
- 弓野 大(医療法人社団ゆみの)
- 篠原 正和(神戸大学大学院 医学研究科)
- 杜 隆嗣(神戸大学 医学研究科 立証検査医学分野)
- 山本 展誉(宮崎県立延岡病院 循環器内科)
- 吉田 俊子(聖路加国際大学 大学院看護学研究科)
研究区分
厚生労働科学研究費補助金 疾病・障害対策研究分野 循環器疾患・糖尿病等生活習慣病対策総合研究
研究開始年度
令和3(2021)年度
研究終了予定年度
令和4(2022)年度
研究費
6,154,000円
研究者交替、所属機関変更
-
研究報告書（概要版）
研究目的
脳卒中および心不全患者の情報連携、リスク評価や多職種による多面的疾病管理の実態に関する施設調査を行い、一元的管理に向けた課題を明らかとする。
研究方法
大規模臨床データを用いて、機械学習による脳梗塞再発予測モデルを構築し、古典的リスクスコアによる予測精度を比較する。
予測モデルによる再発予測が可能となれば、急性期におけるリスク評価が可能となり、適切な疾患管理の提唱が可能となる。
予測モデルによる再発予測が可能となれば、急性期におけるリスク評価が可能となり、適切な疾患管理の提唱が可能となる。
結果と考察
（結果）
2010-19年度にJ-ASPECT Studyに登録され、5年以上フォローアップされた虚血性脳卒中患者を用いて抽出した。5年連続で調査協力が得られていた431施設において、検査などによる予定入院を除外した664,101患者（842,432入院）を解析対象とした。主病名及び医療資源最投入病名が脳梗塞で一致した症例に絞ってDPCによる脳卒中縦断的データベースを構築したところ、登録年度内における脳梗塞の再発総数は485,715患者であった。
主病名及び医療資源最投入病名が脳梗塞として登録されている567,941患者（612,544入院）存在し、1年以内の再発は3.4％であった。上記の脳梗塞症例の初回入院時のDPCデータを用いて、SPI-IIは87.8％、ESRSは77.6％が算出可能であった。DPCデータから収集した診療情報（患者背景、既往歴、入院中の治療、退院処方など）を105項目の説明変数として、1・3・5年以内の脳梗塞再発予測モデルをLight GBMを用いて構築し、Under sampling及びBaggingを用いて、Class imbalanceへの対応（再発症例が少ないため、再発しないことを予測することを防ぐ）した。Light GBMによる1/3/5年以内の再発予測モデルはAUCにてそれぞれ0.62、0.62、0.63であり、SPI-II（0.54/0.54/0.54）及びESRS（0.54/0.54/0.53）による古典的リスクスコアによる予測精度を上回った。DPCで取得可能な105項目のうち、SHAPを用いて予測モデルの構築上重要となった項目を絞り込み、年齢や性別、既往歴や退院時処方を含む16項目を用いても十分な予測精度が担保されていた（0.61/0.62/0.62）。
国循内の縦断的データベースは電子カルテから得られた情報ベースとして構築し、最終外来受診日が確認できている症例のみで検討を行うこととした。2013-21年に国立循環器病研究センター内の脳梗塞症例は4,906患者(9,826入院)を対象として、電子カルテに含まれる構造化データを統合した。最終的な解析対象となった脳梗塞の再発症例は1369患者となった。中長期での再発率を検討したところ、1年以内6.0％(82/1,368人)、3年以内18.7％(165/883人)、5年以内29.1％(124/426人)であった。
放射線レポートや退院サマリーに含まれるテキストデータは、人工知能の応用による自然言語処理を介して、脳梗塞の病型（TOAST分類）や閉塞ないし狭窄血管の部位などを抽出した。1年以内の再発を予測する精度は、DPC単独（0.60±0.07）に比べ、NIHSS 11項目の追加（0.65±0.06）、NIHSS及びNLP 70項目の追加（0.67±0.07）により向上した。SHAP Valueを用いてNLP 70項目を評価し、脳梗塞の病型、頭蓋内血管の狭窄、深部白質病変、陳旧性脳梗塞、自覚症状に関わる20項目に絞っても十分な予測精度を有していた(1/3/5年の再発：0.66/0.65/0.61)。
（考察）
縦断的データベースによる脳卒中再発予測から得られた知見として、年齢、性別、既往歴（高血圧、糖尿病、脂質異常症、腎疾患）、生活習慣（喫煙歴）、入院時の神経学的重症度（NIHSS）、脳梗塞の病型、画像所見（頭蓋内血管の狭窄、深部白質病変や陳旧性脳梗塞の存在）、リハビリテーション（理学・作業療法,嚥下）の実施や退院時の適切な二次予防の実施、入院日数、退院時のADLや退院先がリスク因子として関与していた。2年間の追跡期間を有するErlagen Stroke Registryを用いた機械学習による1年以内の脳梗塞再発予測モデルの結果（AUC 0.70）と比較しても、Claim databaseで収集した項目を説明変数とした本研究で構築したモデルの予測精度は遜色のない結果であった。
2010-19年度にJ-ASPECT Studyに登録され、5年以上フォローアップされた虚血性脳卒中患者を用いて抽出した。5年連続で調査協力が得られていた431施設において、検査などによる予定入院を除外した664,101患者（842,432入院）を解析対象とした。主病名及び医療資源最投入病名が脳梗塞で一致した症例に絞ってDPCによる脳卒中縦断的データベースを構築したところ、登録年度内における脳梗塞の再発総数は485,715患者であった。
主病名及び医療資源最投入病名が脳梗塞として登録されている567,941患者（612,544入院）存在し、1年以内の再発は3.4％であった。上記の脳梗塞症例の初回入院時のDPCデータを用いて、SPI-IIは87.8％、ESRSは77.6％が算出可能であった。DPCデータから収集した診療情報（患者背景、既往歴、入院中の治療、退院処方など）を105項目の説明変数として、1・3・5年以内の脳梗塞再発予測モデルをLight GBMを用いて構築し、Under sampling及びBaggingを用いて、Class imbalanceへの対応（再発症例が少ないため、再発しないことを予測することを防ぐ）した。Light GBMによる1/3/5年以内の再発予測モデルはAUCにてそれぞれ0.62、0.62、0.63であり、SPI-II（0.54/0.54/0.54）及びESRS（0.54/0.54/0.53）による古典的リスクスコアによる予測精度を上回った。DPCで取得可能な105項目のうち、SHAPを用いて予測モデルの構築上重要となった項目を絞り込み、年齢や性別、既往歴や退院時処方を含む16項目を用いても十分な予測精度が担保されていた（0.61/0.62/0.62）。
国循内の縦断的データベースは電子カルテから得られた情報ベースとして構築し、最終外来受診日が確認できている症例のみで検討を行うこととした。2013-21年に国立循環器病研究センター内の脳梗塞症例は4,906患者(9,826入院)を対象として、電子カルテに含まれる構造化データを統合した。最終的な解析対象となった脳梗塞の再発症例は1369患者となった。中長期での再発率を検討したところ、1年以内6.0％(82/1,368人)、3年以内18.7％(165/883人)、5年以内29.1％(124/426人)であった。
放射線レポートや退院サマリーに含まれるテキストデータは、人工知能の応用による自然言語処理を介して、脳梗塞の病型（TOAST分類）や閉塞ないし狭窄血管の部位などを抽出した。1年以内の再発を予測する精度は、DPC単独（0.60±0.07）に比べ、NIHSS 11項目の追加（0.65±0.06）、NIHSS及びNLP 70項目の追加（0.67±0.07）により向上した。SHAP Valueを用いてNLP 70項目を評価し、脳梗塞の病型、頭蓋内血管の狭窄、深部白質病変、陳旧性脳梗塞、自覚症状に関わる20項目に絞っても十分な予測精度を有していた(1/3/5年の再発：0.66/0.65/0.61)。
（考察）
縦断的データベースによる脳卒中再発予測から得られた知見として、年齢、性別、既往歴（高血圧、糖尿病、脂質異常症、腎疾患）、生活習慣（喫煙歴）、入院時の神経学的重症度（NIHSS）、脳梗塞の病型、画像所見（頭蓋内血管の狭窄、深部白質病変や陳旧性脳梗塞の存在）、リハビリテーション（理学・作業療法,嚥下）の実施や退院時の適切な二次予防の実施、入院日数、退院時のADLや退院先がリスク因子として関与していた。2年間の追跡期間を有するErlagen Stroke Registryを用いた機械学習による1年以内の脳梗塞再発予測モデルの結果（AUC 0.70）と比較しても、Claim databaseで収集した項目を説明変数とした本研究で構築したモデルの予測精度は遜色のない結果であった。
結論
DPCで得られた情報に、電子カルテや退院サマリや読影レポートの追加情報を加えることで精度向上が見られた。これらを組み合わせていくことでより高い精度の予後予測が得られる期待が高まった。
公開日・更新日
公開日
2023-07-24
更新日
-