Improvement of predictive accuracies of functional outcomes of stroke patients by machine learning models

点击翻译按钮获取中文摘要

本研究は，機械学習により脳卒中患者の機能的予後予測精度の改善の検討および予後予測因子の同定を目的とする．脳卒中患者の退院時の機能的予後予測は，患者とその家族に退院後の生活を考える上での重要な情報となる．そのため，入院早期からの予後予測が重要だと考えられている．そこで，重回帰分析を用いた予後予測の研究が報告されてきた．しかし，重回帰分析は線形データを仮定しており，非線形データである臨床データを用いると，予測精度が低下する可能性があった．そこで近年，非線形データを扱える機械学習が注目されている．一方で，機械学習には，学習に用いる症例数が少ないと，汎化性能が低下する過学習が起きることが知られている．近年，脳卒中患者の機能的予後予測に機械学習を用いた研究が報告されてきているが，症例数が少なく，過学習の可能性が否定できない報告も多い．そこで，本研究では過学習を起こさないために，十分な症例数を用いて，重回帰分析と機械学習アルゴリズムの予後予測精度を比較する．本研究では，機能的予後予測の指標として，ADLの代表的な評価法であるFunctional Independence Measure(FIM)を採用した．これまでに，脳卒中後リハビリテーション治療目的に回復期病棟へ入院した脳卒中患者のうち，1046名分の入院時および退院時のFIMのデータを収集した．このデータを従来より用いられる重回帰分析に加えて，機械学習として，回帰木，アンサンブル学習，ニューラルネットワーク，サポートベクター回帰，ガウス過程回帰で予後予測を行った．本研究から，重回帰分析よりも機械学習の予後予測精度が高くなる可能性，そして機械学習の中でもガウス過程回帰が最も予測精度が高い可能性が示唆された．この結果をまとめ，論文投稿を行い，令和４年度末時点で査読中である．