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。

2020 财年，我们专注于开发基于机器学习执行 SReFT 的算法。综合数据证实，所开发的算法（SReFT-ML）可以根据碎片观测数据估计长期变化。还建议在试验基础上进行的实际临床数据分析中可以类似地检测长期变化。这些结果在 2022 年 CBI 学会会议和第 143 届日本药学会年会上报告。此外，考虑到患者生存时间还包含从观​​察到的片段恢复长期趋势的信息，我们考虑通过结合生存时间分析和SReFT-ML来提高估计准确性。现阶段，我们还处于可以在运行 SReFT-ML 后进行事后生存分析以验证结果有效性的水平，但我们计划进行调整，以便可以实现与 SReFT-ML 的同步分析未来。即使在这个阶段，也可以在 SReFT-ML 估计的长期病理学范围内评估事件风险，我们相信它将提供重要的知识。这些结果已在 2022 年统计相关协会联合会会议和第 143 届日本药学会年会上报告。另一方面，检测协变量效应的能力较低，而且问题仍然是只能检测到强作用的协变量。未来，我们将通过改变协变量赋予网络的方式以及合并协变量时目标函数的处理方式，继续改进高灵敏度检测协变量的方法。关于帕金森病临床试验数据，除了已经可用的 PPMI 之外，我们正在考虑使用其他试验信息，例如 DATATOP，但由于 PPMI 是一项正在进行的试验，并且自计划本研究时以来受试者数量有所增加，因为它由于认为调整其他研究获得的数据与 PPMI 之间的异质性需要比预期更多的步骤，因此我们决定主要使用 PPMI 的数据。