Presentation Information
[2Yin-A-43]Non-invasive estimation of cardiorenal syndrome risk from pulse waveforms using machine learning
〇Shota Iwasaki1, Mituto Sato1, Hiroyuki Kitajima1, Makoto Ishizawa1, Tetsuo Ishizawa1 (1. Univ. of Kagawa)
Keywords:
RQA,Machine learning,Pulse wave
心不全と慢性腎臓病が相互に悪化する心腎連関の早期発見には，proBNPやeGFR等の指標が重要であるが，これらは侵襲的な血液検査を要するため，日常的なモニタリングや早期のスクリーニングが困難であるという課題がある．本研究は，非侵襲的に取得可能な脈波データと基本属性を用い，機械学習により心腎連関リスクを推定するモデルを構築することを目的とした．臨床データにより得られた脈波波形に対し，再帰定量化解析および統計的処理により特徴量を抽出した．これに基本属性を加えたものを入力とし，CatBoostを用いてモデルを構築した．評価ではproBNP（閾値55,125, 300 pg/mL）およびeGFR（閾値60,45mL/min/1.73m2）に基づき分類を行った．proBNP判別（閾値125）において正解率80.0%，AUC0.807と良好な精度を得た．eGFR判別（閾値45）ではAUC0.833，感度1.000を達成した．本手法により血液検査を行わずに脈波と基本属性から心腎連関のリスクを高い精度で推定できる可能性が示された．