Presentation Information
[II-OR15-02]連続波形情報と機械学習を用いた動的循環動態評価指標開発の試み
○太田 英仁1, 野木森 宜嗣1, 小寺 聡2, 海老島 宏典1, 鹿田 文昭3, 犬塚 亮1 (1.東京大学医学部附属病院 小児科, 2.東京大学医学部附属病院 循環器内科, 3.東京大学医学部附属病院 心臓外科)
Keywords:
集中治療,機械学習,波形解析
【背景】循環器集中治療において循環動態の迅速な評価は急変予防と転帰改善に不可欠であるが，小児では体格制限等により利用可能なモダリティが限られ，臨床医の経験への依存が大きい．また，既存の集中治療支援AIは診療行為の模倣に基づくものが多く，学習施設の診療慣行に依存し，患者の生体状態を必ずしも反映しないという課題がある．【目的】機械学習を使用し，連続波形情報を含むマルチモーダル生体情報に基づく動的循環動態評価指標を開発する．【方法】2023年1月から2025年5月までに東京大学医学部附属病院PICUに心臓外科手術目的で入室した症例を対象とした．単回手術群と複数回手術群に分類し，単回手術群を用いて，心電図・動脈圧波形，バイタルサイン，水分出納，血液検査値等から「循環作動薬終了までの日数」を推定する深層学習モデルを構築した．構築したモデルを複数回手術群に適用し，予定外処置前の変動を検討した．【結果】対象期間中のPICU入室症例は972例で，単回手術群147例，複数回手術群84例であった．単回手術群の117例を学習，30例を検証に用いた．推定値は術後早期に上昇し，その後減少して低値に収束する傾向を示した．複数回手術群のうち緊急処置が実施された10例では，処置前に推定値が高値を示す傾向が認められた．【考察】生体情報のみから「循環作動薬終了までの日数」を推定することで，心臓手術後の循環動態の経時変化を数値化できた．一般的な術後経過や緊急処置前後の変化も臨床経過と整合的であった．本モデルは治療介入情報を含まず，生体状態をより直接的に反映する指標となる可能性がある．【結論】連続波形情報と機械学習を利用することで，循環動態悪化を早期に検知できる可能性がある．