AIを用いた慢性疾患の病態進行モデルの構築法開発とパーキンソン病への適用

开发利用人工智能构建慢性病疾病进展模型的方法及其在帕金森病中的应用

• 批准号: 22KJ0473
• 负责人: 神 亮太
• 金额: $ 1.09万
• 依托单位: Chiba University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for JSPS Fellows
• 财政年份: 2023
• 资助国家: 日本
• 起止时间: 2023-03-08 至 2024-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22KJ0473/
• 关键词: 病態進行モデリング; 臨床試験個別データ; ニューラルネットワーク; パーキンソン病; 機械学習

令和4年度は機械学習をベースとしてSReFTを行うアルゴリズムの開発を中心に実施した。開発されたアルゴリズム（SReFT-ML）は断片的な観測データから長期的な変化を推定可能であることが合成データから確認された。また試験的に行った実臨床データの解析においても同様に長期的変化を捉えられる可能性が示唆された。これらの成果はCBI学会2022年大会、日本薬学会第143年会にて学会報告した。また患者の生存時間も観測断片から長期推移を復元するための情報を含んでいると考え、生存時間解析とSReFT-MLを組み合わせることによる推定精度の向上を検討した。現段階ではSReFT-MLの実行後に事後的に生存時間解析を実行して結果の妥当性を検証できるレベルに留まっているものの、今後SReFT-MLとの同時解析が実現できるように調整を図る。現段階でもSReFT-MLが推定した長期的な病態の中でイベントリスクを評価することが可能であり、重要な知見を与えてくれるものと考えている。この成果については2022年度統計関連学会連合大会、日本薬学会第143年会にて学会報告した。一方で共変量効果の検出力は低く、強力に作用する共変量しか検出できない課題が残った。今後は共変量のネットワークへの与え方や共変量を組み込んだ際の目的関数の扱いを変更することなどで感度良く共変量を検出できるよう改良を継続していく。パーキンソン病臨床試験データについては既に利用可能なPPMIの他にDATATOPなど他試験情報の利用も検討していたが、PPMIが現在進行中の試験であり本研究計画時からさらに被験者が増えたこと、他の試験とPPMIから得られるデータ間の異質性の調整に想定以上の工程を要すると考えられることから、PPMIのデータを中心に進めていくこととした。

在2022年，该公司专注于根据机器学习开发用于SREFT的算法。合成数据证实了开发的算法（SREFT-ML）可以估计碎片观察数据的长期变化。还建议在分析试验的实际临床数据中，可以以相同的方式捕获长期变化。这些结果在CBI学会的2022会议和日本药物学会的第143届年度会议上报道。此外，我们认为患者的生存时间包括从观察到的片段中恢复长期趋势的信息，我们通过将生存时间分析与SREFT-ML结合起来研究了估计准确性的提高。在此阶段，结果仍处于一个级别，在执行SREFT-ML后可以在稍后进行生存时间分析以验证结果的有效性，但是将进行调整，以便将来可以同时实现使用SREFT-ML的同时分析。即使在此阶段，也可以在SREFT-ML估计的长期病理学中评估事件风险，我们认为它将提供重要的见解。该结果在2022年与统计相关协会会议联合会和日本制药协会的第143届年度会议上进行了报道。另一方面，协变量效应的力量很低，留下了一个只能检测到强大的协变量的问题。将来，我们将继续改善协变量，以便可以通过敏感水平检测到它们，例如，通过更改将协变量给予网络的方式，并在合并协变量时处理目标函数。除了已经可用的PPMI外，我们还考虑使用其他试验（例如DataTop）的信息，但是由于PPMI是一项正在进行的研究，因此自该研究项目时期以来，受试者的数量有所增加，并且认为它将采取比预期的步骤要比预期的要多于预期的，以调整来自其他试验和PPMI的数据之间的异质性，我们确定了PPMI的关注PPMI数据。