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

通过机器学习模型提高中风患者功能结果的预测准确性

• 批准号: 22K21225
• 负责人: 宮崎 裕大
• 金额: $ 1.83万
• 依托单位: National Center of Neurology and Psychiatry
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Research Activity Start-up
• 财政年份: 2022
• 资助国家: 日本
• 起止时间: 2022-08-31 至 2024-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-22K21225/
• 关键词: 予後予測; 脳卒中; 機械学習; リハビリテーション; 深層学習; deep learning; machine learning; FIM

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．

In this study, the purpose of this study was to improve the accuracy of prediction of the functions of stroke patients through machine learning and to determine the factors for prediction of the future. The prognosis of stroke patients' functions after discharge from the hospital and the examination of patients' and families' post-discharge life are important information.そのため, it is important to predict and predict the early stage of admission.そこで, return to analysis and use いた to predict the research が report されてきた. Linear analysis, non-linear analysis In clinical practice, the prediction accuracy is low and the probability is low. In recent years, non-linear machine learning has attracted much attention. On the one hand, mechanical learning does not work, learning does not work because the number of cases is small, and generalization performance is low due to over-learning and knowledge. In recent years, there have been many reports on the use of mechanical learning in predicting the prognosis of stroke patients' functions, but the number of cases has been small, and there have been many reports on the possibility of over-learning.そこで, this study is based on the study of over-learning, the number of cases is very small, and the return to analysis and mechanical learning is used to compare the prediction accuracy. In this study, Functional Independence Measure (FIM), a representative evaluation method of ADL, was adopted as an indicator of predictive function.これまでに, リハビリテーション treatment purpose after stroke, hospital admission for recovery period patients, したstroke Among the patients, 1,046 patients were admitted and discharged, and FIM was collected at the time of discharge.このデータを従来より Use いられる to return to the analysis of にplus えて, machine learning として, return to 帰木, アンサンブルLearning, ニューラルネットワーク, サポートベクター回帰, ガウス process return 帰でgive after prediction を行った． In this study, we return to the analysis of machine learning and predict the accuracy of post-prediction and the possibility of high accuracy. The process of mechanical learning is the most accurate and the most likely to be predicted.このRESULTS をまとめ、paper submission を行い、Reiwa 4 year-end time point of the review is in である.