权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

Creating Tailored Post-Resuscitation Care Based on Brain Injury Severity with AI Imaging

利用人工智能成像根据脑损伤严重程度创建量身定制的复苏后护理

基本信息

批准号：
22K09112
负责人：
西山慶
金额：
$ 2.66万
依托单位：
Niigata University
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (C)
财政年份：
2022
资助国家：
日本
起止时间：
2022-04-01 至 2025-03-31
项目状态：
未结题

来源：
https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22K09112/
关键词：
心肺停止画像人工知能集中治療救急心肺蘇生

项目摘要

本研究は関連するガイドラインおよび規則に従い、東京大学医学部附属病院の施設審査委員会（文献番号2018082NI）により承認された。2017年から2019年の間に防衛医科大学校、京都医療センター、京都第一赤十字病院で自己心拍再開後に頭部CTを撮影した93名の院外心肺停止患者の臨床データと頭部CTデータをレトロスペクティブに収集した。外傷または脳損傷を呈する患者は調査対象から除外された。CT画像に金属や骨のアーチファクトがひどく広がっていたため、7人の患者のデータを調査から除外した。そのため、本研究では86名のCA患者のデータを使用した。これらのCA患者の90日後の神経学的予後をGlasgow-Pittsburgh cerebral performanceに基づき評価し、31名、1名、2名、13名、39名がそれぞれCPC1、2、3、4、5を示した。CPCが2までが神経学的予後良好と定義し、32人の患者が予後良好で、残りの54人を予後不良と定義した。さらに下記の概要で解析を開始した。VOIの設定には2つの戦略を採用した。まず、脳CT画像にVOI（Volume of Interest）を設定し、QIBs（特徴量）を抽出した。続いて、前処理を行った後、1170個のQIBを算出し、原画と変換後のCT画像のVOIで確認した。QIBは、1次ヒストグラムとテクスチャ関数で構成されている。さらに、訓練セットを用いた特徴選択アルゴリズムにより、分類のための代表的なQIBを選択した。最後に、単変量解析では、テストセットにおける各代表的なQIBの分類性能を評価した。多変量解析では、トレーニングセットを用いて機械学習モデルを構築し、その性能をテストセットで評価した。

This study was approved by the Design Review Committee of the University of Tokyo Hospital (Reference No. 2018082NI). From 2017 to 2019, head CT scans of 93 out-of-hospital patients with cardiopulmonary arrest were performed at Kyoto Medical University and Kyoto First Red Cross Hospital. Trauma is not an injury to the patient. CT images of metal and bone, except for the investigation of 7 patients 86 CA patients were enrolled in this study. In the baseline evaluation of 90-day-old CA patients, 31, 1, 2, 13, and 39 patients were included in CPC1, 2, 3, 4, and 5. CPC: 2 patients with good neurological outcomes, 32 patients with good neurological outcomes, 54 patients with poor neurological outcomes. The following summary analysis begins. VOI settings are not 2. VOI (Volume of Interest) settings and QIBs (Feature Quantity) are extracted from CT images. After the pre-processing, 1170 QIB were calculated, and the VOI of CT images after the original painting was changed was confirmed. QIB is composed of the following components: In addition, the QIB of the training center is selected according to the characteristics of the training center. Finally, the classification performance of each representative QIB is evaluated. Multi-dimensional analysis, machine learning, construction, and performance evaluation