まず、R6年度に関しては、N=20の動物実験を予定していた。中間報告の時点では、Q2までに得た、N=136lesionを元に、モデルを作成した。Ex-vivoデータ（N＝856 lesion数）を教師データとして学習させたモデルを用い、In-vivoデータでのLesion metrics予測を実施した結果、Ex-vivoデータより作成したモデルでIn-vivoのlesion metricsを正確に推測する事は難しいことが判明した。これは、焼灼時の環境がEx-vivoとIn-vivoでは大きく異なる（e.g. 拍動の有無によるカテの安定性など）ことが原因と考えられた。一方、XGBoostに加えて、多数の機械学習を試行し、ex-vivoとは異なるモデルを構築し、Q2までのIn-vivo実験におけるN=136の焼灼データ（全体の約1/3）で学習させた結果、lesion数は限られているにも関わらず、PCC＝0.7前後の相関が得られた。計算時間は現時点でも1秒以内を達成した（最も遅いもので、0.2秒、最速で0.016秒）。更にもともとのEx-vivoデータから、精度が96%に至る、新たなSteam-pop予測モデルを開発できたため、In-vivoデータでの検証を行なっている。
搬送費用や物品費用を抑えつつ効率化を図った結果、Q4までに、実験動物が追加され、総合的には、心房焼灼巣N=320 lesionと心室焼灼巣N=550が獲得された。現在最終データを元に、lesion予測、Stean-pop予測に関して、健常動物における最終的なモデル作成を構築している。
市場動向調査とユーザーへのヒアリングに加え、他社システムの開発方向および進捗状況を精査し、当研究における機械学習モデルの中間解析を行った結果、心房細動に対する肺静脈隔離は、今後パルスフィールドアブレーション（PFA）への迅速な移行が予測された。これを踏まえ、本研究の中核である病変予測モデルは、臨床的ニーズと持続的有用性を考慮し、心室アブレーションに特化した設計とする方針とした。また、本分野が3〜4社の大手企業により寡占されている現状を鑑み、研究成果の社会実装を見据えた戦略として、大手企業との連携体制の構築を視野に入れている。