1) AIを用いた虚血性脳卒中の予後予測モデルの開発:
a) 2010-19年度にJ-ASPECT Studyに登録された脳梗塞597,134患者(753,588入院)を対象に、DPCデータに含まれる診療情報を105項目の説明変数として、機械学習(Light GBM)を用いて1/3/5年以内の脳梗塞再発予測モデルを構築した。Light GBMによる1/3/5年以内の再発予測モデルは予測精度(AUC)は0.62/0.62/0.63であり、古典的リスクスコア(SPI-II,ESRS)による予測精度を上回った。105の説明変数はSHAPを用いて予測モデルの構築上重要となった項目を絞り込み、年齢、性別、既往歴(高血圧、糖尿病、脂質異常症、腎疾患)、生活習慣(喫煙歴)、リハビリテーション(理学・作業療法,嚥下)の実施や退院時の適切な二次予防の実施、入院日数、退院時のADLや退院先を含む16項目を用いても十分な予測精度が担保されていた(0.61/0.62/0.62)。Erlagen Stroke Registry(ドイツ)に登録された2年間の脳梗塞症例の追跡調査で得られたデータを用いた、機械学習による1年以内の脳梗塞再発予測モデルの予測精度が0.70 (95% CI, 0.64–0.76)であり(Asmir V et al, Stroke. 2022;53:2299–2306)、Claim databaseを用いた本研究の予測精度は十分な精度を有している。
b) 2010-17年度にJ-ASPECT Studyに登録された国立循環器病研究センター内の脳梗塞症例は6,351患者(9,705入院)を対象として、採血データ、来院時バイタル、NIHSS、退院時処方を含むデータベースを構築した。放射線レポートや退院サマリーに含まれるテキストデータは、自然言語処理(NLP)を介して、脳梗塞の病型(TOAST分類)や頭蓋内血管の閉塞/狭窄など約30項目を抽出した。上記DPCの16項目に加え、1年以内の再発を予測する精度は、DPC単独(0.60±0.07)に比べ、NIHSS 11項目の追加(0.65±0.06)、NIHSS及びNLP 70項目の追加(0.67±0.07)により予測精度は向上した。SHAP Valueを用いてNLP 70項目を評価し、脳梗塞の病型、頭蓋内血管の狭窄、深部白質病変、陳旧性脳梗塞、自覚症状に関わる20項目に絞っても十分な予測精度を有していた(1/3/5年の再発:0.66/0.65/0.61)。
c) 国立循環器病研究センター内の脳梗塞症例のMRIデータを収集し、白質病変や陳旧性脳梗塞が脳梗塞の再発に寄与しうるかを評価した。2013~2017年にMRI画像データを収集し得た409患者(1/3/5年の再発率は 10.1%, 24.0%, 27.3%)を対象に、教師あり学習による予測モデル(3次元の畳み込みニューラルネットワーク[3DCNN])及び教師なし学習である異常検知アルゴリズム(Semantic Pyramid Anomaly Detection [SPADE])の2つの手法による再発予測モデルを構築した。1/3/5年以内の再発予測は3DCNNでは0.56/0.64/0.65であったのに対し、SPADEでは0.68/0.63/0.62であった。異常検知は正常例のみを学習データとして扱い、学習した正常例と著しく異なるデータを異常例として検出するアルゴリズムであり、再発率が低い1年以内の再発予測では異常検知が有効に機能したと考えられる。
2)頚動脈プラーク病理像と長期予後の関する研究
国循で過去に頚動脈内膜剥離術(CEA)を施行した症例の長期予後(5年間:脳梗塞の再発や共通のリスクを有する循環器病の発生や死亡)のデータを使用し、頸動脈プラークの病理画像を異常検知(f-AnoGAN)による手法で形態的に分類・解析し、異常度を病理画像上にヒートマップとして表示するとともに、CEA術後1年以内の脳卒中及び循環器病の発生を予測し得るかを評価した。異常度を可視化したヒートマップは病理医の知見と一致し,術後1年以内の脳梗塞及び循環器病の発生と関連する病理学的特徴との関連(ROC AUCによる予測精度:脳梗塞 0.60, 心筋梗塞 0.66)が示唆された.