JP2022019701A - 川崎病またはIgA血管炎での合併症発生リスク予測方法、学習済みモデル及びその生成方法 - Google Patents
川崎病またはIgA血管炎での合併症発生リスク予測方法、学習済みモデル及びその生成方法 Download PDFInfo
- Publication number
- JP2022019701A JP2022019701A JP2021118250A JP2021118250A JP2022019701A JP 2022019701 A JP2022019701 A JP 2022019701A JP 2021118250 A JP2021118250 A JP 2021118250A JP 2021118250 A JP2021118250 A JP 2021118250A JP 2022019701 A JP2022019701 A JP 2022019701A
- Authority
- JP
- Japan
- Prior art keywords
- subjects
- time point
- value
- data
- patient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 182
- 208000011200 Kawasaki disease Diseases 0.000 title claims abstract description 153
- 208000001725 mucocutaneous lymph node syndrome Diseases 0.000 title claims abstract description 152
- 208000031814 IgA Vasculitis Diseases 0.000 title claims abstract description 95
- 208000015446 immunoglobulin a vasculitis Diseases 0.000 title claims abstract description 95
- 238000004458 analytical method Methods 0.000 claims abstract description 124
- 210000004351 coronary vessel Anatomy 0.000 claims abstract description 96
- 239000003550 marker Substances 0.000 claims abstract description 58
- 206010047115 Vasculitis Diseases 0.000 claims abstract description 47
- 230000001364 causal effect Effects 0.000 claims abstract description 46
- 238000010801 machine learning Methods 0.000 claims abstract description 39
- 206010052015 cytokine release syndrome Diseases 0.000 claims abstract description 11
- 230000003902 lesion Effects 0.000 claims abstract description 10
- 206010050685 Cytokine storm Diseases 0.000 claims abstract description 9
- 108060003951 Immunoglobulin Proteins 0.000 claims abstract description 6
- 102000018358 immunoglobulin Human genes 0.000 claims abstract description 6
- 238000010253 intravenous injection Methods 0.000 claims abstract 2
- 230000001154 acute effect Effects 0.000 claims description 129
- 238000012360 testing method Methods 0.000 claims description 121
- 201000001474 proteinuria Diseases 0.000 claims description 104
- 238000011861 anti-inflammatory therapy Methods 0.000 claims description 90
- 230000010365 information processing Effects 0.000 claims description 54
- 210000004369 blood Anatomy 0.000 claims description 53
- 239000008280 blood Substances 0.000 claims description 53
- 208000004732 Systemic Vasculitis Diseases 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 26
- 208000004998 Abdominal Pain Diseases 0.000 claims description 20
- 208000026935 allergic disease Diseases 0.000 claims description 20
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 claims description 19
- 229960001138 acetylsalicylic acid Drugs 0.000 claims description 19
- 238000002560 therapeutic procedure Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 201000008383 nephritis Diseases 0.000 claims description 16
- 206010037549 Purpura Diseases 0.000 claims description 15
- 241001672981 Purpura Species 0.000 claims description 15
- 238000001990 intravenous administration Methods 0.000 claims description 7
- 150000003839 salts Chemical class 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- FQISKWAFAHGMGT-SGJOWKDISA-M Methylprednisolone sodium succinate Chemical compound [Na+].C([C@@]12C)=CC(=O)C=C1[C@@H](C)C[C@@H]1[C@@H]2[C@@H](O)C[C@]2(C)[C@@](O)(C(=O)COC(=O)CCC([O-])=O)CC[C@H]21 FQISKWAFAHGMGT-SGJOWKDISA-M 0.000 claims description 4
- 229960000598 infliximab Drugs 0.000 claims description 4
- 229960004584 methylprednisolone Drugs 0.000 claims description 4
- 229930105110 Cyclosporin A Natural products 0.000 claims description 3
- PMATZTZNYRCHOR-CGLBZJNRSA-N Cyclosporin A Chemical compound CC[C@@H]1NC(=O)[C@H]([C@H](O)[C@H](C)C\C=C\C)N(C)C(=O)[C@H](C(C)C)N(C)C(=O)[C@H](CC(C)C)N(C)C(=O)[C@H](CC(C)C)N(C)C(=O)[C@@H](C)NC(=O)[C@H](C)NC(=O)[C@H](CC(C)C)N(C)C(=O)[C@H](C(C)C)NC(=O)[C@H](CC(C)C)N(C)C(=O)CN(C)C1=O PMATZTZNYRCHOR-CGLBZJNRSA-N 0.000 claims description 3
- 108010036949 Cyclosporine Proteins 0.000 claims description 3
- 229960005205 prednisolone Drugs 0.000 claims description 3
- OIGNJSKKLXVSLS-VWUMJDOOSA-N prednisolone Chemical compound O=C1C=C[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 OIGNJSKKLXVSLS-VWUMJDOOSA-N 0.000 claims description 3
- 229950008558 ulinastatin Drugs 0.000 claims description 3
- 108010088854 urinastatin Proteins 0.000 claims description 3
- ODVKSTFPQDVPJZ-UHFFFAOYSA-N urinastatin Chemical compound C1C=CCCC11COC(C=2OC=CC=2)OC1 ODVKSTFPQDVPJZ-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 30
- 206010018364 Glomerulonephritis Diseases 0.000 abstract description 4
- 239000000243 solution Substances 0.000 abstract 1
- 238000011282 treatment Methods 0.000 description 225
- 238000011221 initial treatment Methods 0.000 description 40
- 238000003745 diagnosis Methods 0.000 description 38
- 230000002485 urinary effect Effects 0.000 description 33
- 238000013528 artificial neural network Methods 0.000 description 31
- 238000010606 normalization Methods 0.000 description 28
- 238000011161 development Methods 0.000 description 22
- 230000000052 comparative effect Effects 0.000 description 20
- 102000004169 proteins and genes Human genes 0.000 description 19
- 108090000623 proteins and genes Proteins 0.000 description 19
- 238000013179 statistical model Methods 0.000 description 19
- 230000000694 effects Effects 0.000 description 18
- VZSRBBMJRBPUNF-UHFFFAOYSA-N 2-(2,3-dihydro-1H-inden-2-ylamino)-N-[3-oxo-3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propyl]pyrimidine-5-carboxamide Chemical compound C1C(CC2=CC=CC=C12)NC1=NC=C(C=N1)C(=O)NCCC(N1CC2=C(CC1)NN=N2)=O VZSRBBMJRBPUNF-UHFFFAOYSA-N 0.000 description 16
- 210000002966 serum Anatomy 0.000 description 16
- 102100032752 C-reactive protein Human genes 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 208000024891 symptom Diseases 0.000 description 14
- HMUNWXXNJPVALC-UHFFFAOYSA-N 1-[4-[2-(2,3-dihydro-1H-inden-2-ylamino)pyrimidin-5-yl]piperazin-1-yl]-2-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)ethanone Chemical compound C1C(CC2=CC=CC=C12)NC1=NC=C(C=N1)N1CCN(CC1)C(CN1CC2=C(CC1)NN=N2)=O HMUNWXXNJPVALC-UHFFFAOYSA-N 0.000 description 13
- 230000035945 sensitivity Effects 0.000 description 13
- 210000002700 urine Anatomy 0.000 description 13
- 201000010099 disease Diseases 0.000 description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 12
- 238000002790 cross-validation Methods 0.000 description 11
- 238000010202 multivariate logistic regression analysis Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 9
- 101100269885 Arabidopsis thaliana ANN1 gene Proteins 0.000 description 8
- 239000003154 D dimer Substances 0.000 description 8
- 230000003110 anti-inflammatory effect Effects 0.000 description 8
- 108010052295 fibrin fragment D Proteins 0.000 description 8
- 206010037660 Pyrexia Diseases 0.000 description 7
- 238000002648 combination therapy Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 206010019617 Henoch-Schonlein purpura Diseases 0.000 description 6
- 238000000556 factor analysis Methods 0.000 description 6
- 206010019280 Heart failures Diseases 0.000 description 5
- 239000002260 anti-inflammatory agent Substances 0.000 description 5
- 208000006331 coronary aneurysm Diseases 0.000 description 5
- 239000006185 dispersion Substances 0.000 description 5
- 238000002592 echocardiography Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 102000004625 Aspartate Aminotransferases Human genes 0.000 description 4
- 108010003415 Aspartate Aminotransferases Proteins 0.000 description 4
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 4
- 201000004331 Henoch-Schoenlein purpura Diseases 0.000 description 4
- AFCARXCZXQIEQB-UHFFFAOYSA-N N-[3-oxo-3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propyl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C(CCNC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 AFCARXCZXQIEQB-UHFFFAOYSA-N 0.000 description 4
- 238000000692 Student's t-test Methods 0.000 description 4
- 229940124599 anti-inflammatory drug Drugs 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 210000003743 erythrocyte Anatomy 0.000 description 4
- 208000006750 hematuria Diseases 0.000 description 4
- 238000011519 second-line treatment Methods 0.000 description 4
- 206010015150 Erythema Diseases 0.000 description 3
- 102000001554 Hemoglobins Human genes 0.000 description 3
- 108010054147 Hemoglobins Proteins 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 3
- 230000006866 deterioration Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 210000000265 leukocyte Anatomy 0.000 description 3
- LDXJRKWFNNFDSA-UHFFFAOYSA-N 2-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)-1-[4-[2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidin-5-yl]piperazin-1-yl]ethanone Chemical compound C1CN(CC2=NNN=C21)CC(=O)N3CCN(CC3)C4=CN=C(N=C4)NCC5=CC(=CC=C5)OC(F)(F)F LDXJRKWFNNFDSA-UHFFFAOYSA-N 0.000 description 2
- YLZOPXRUQYQQID-UHFFFAOYSA-N 3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)-1-[4-[2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidin-5-yl]piperazin-1-yl]propan-1-one Chemical compound N1N=NC=2CN(CCC=21)CCC(=O)N1CCN(CC1)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F YLZOPXRUQYQQID-UHFFFAOYSA-N 0.000 description 2
- 102000002723 Atrial Natriuretic Factor Human genes 0.000 description 2
- 101800001288 Atrial natriuretic factor Proteins 0.000 description 2
- 101800001890 Atrial natriuretic peptide Proteins 0.000 description 2
- 101800000407 Brain natriuretic peptide 32 Proteins 0.000 description 2
- 101800002247 Brain natriuretic peptide 45 Proteins 0.000 description 2
- 108090000695 Cytokines Proteins 0.000 description 2
- 102000004127 Cytokines Human genes 0.000 description 2
- 206010053759 Growth retardation Diseases 0.000 description 2
- 108090001005 Interleukin-6 Proteins 0.000 description 2
- 102400001263 NT-proBNP Human genes 0.000 description 2
- 206010029164 Nephrotic syndrome Diseases 0.000 description 2
- 241000270295 Serpentes Species 0.000 description 2
- 208000003455 anaphylaxis Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 102000015736 beta 2-Microglobulin Human genes 0.000 description 2
- 108010081355 beta 2-Microglobulin Proteins 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009534 blood test Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- NSQLIUXCMFBZME-MPVJKSABSA-N carperitide Chemical compound C([C@H]1C(=O)NCC(=O)NCC(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@H](C(NCC(=O)N[C@@H](C)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CO)C(=O)NCC(=O)N[C@@H](CC(C)C)C(=O)NCC(=O)N[C@@H](CSSC[C@@H](C(=O)N1)NC(=O)[C@H](CO)NC(=O)[C@H](CO)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CC(C)C)NC(=O)[C@@H](N)CO)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CC=1C=CC(O)=CC=1)C(O)=O)=O)[C@@H](C)CC)C1=CC=CC=C1 NSQLIUXCMFBZME-MPVJKSABSA-N 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 229940109239 creatinine Drugs 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 210000003989 endothelium vascular Anatomy 0.000 description 2
- 108010074605 gamma-Globulins Proteins 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 108010008064 pro-brain natriuretic peptide (1-76) Proteins 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000004062 sedimentation Methods 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 230000008961 swelling Effects 0.000 description 2
- 208000011580 syndromic disease Diseases 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- MZOFCQQQCNRIBI-VMXHOPILSA-N (3s)-4-[[(2s)-1-[[(2s)-1-[[(1s)-1-carboxy-2-hydroxyethyl]amino]-4-methyl-1-oxopentan-2-yl]amino]-5-(diaminomethylideneamino)-1-oxopentan-2-yl]amino]-3-[[2-[[(2s)-2,6-diaminohexanoyl]amino]acetyl]amino]-4-oxobutanoic acid Chemical compound OC[C@@H](C(O)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CCCN=C(N)N)NC(=O)[C@H](CC(O)=O)NC(=O)CNC(=O)[C@@H](N)CCCCN MZOFCQQQCNRIBI-VMXHOPILSA-N 0.000 description 1
- SGTNSNPWRIOYBX-UHFFFAOYSA-N 2-(3,4-dimethoxyphenyl)-5-{[2-(3,4-dimethoxyphenyl)ethyl](methyl)amino}-2-(propan-2-yl)pentanenitrile Chemical compound C1=C(OC)C(OC)=CC=C1CCN(C)CCCC(C#N)(C(C)C)C1=CC=C(OC)C(OC)=C1 SGTNSNPWRIOYBX-UHFFFAOYSA-N 0.000 description 1
- DEXFNLNNUZKHNO-UHFFFAOYSA-N 6-[3-[4-[2-(2,3-dihydro-1H-inden-2-ylamino)pyrimidin-5-yl]piperidin-1-yl]-3-oxopropyl]-3H-1,3-benzoxazol-2-one Chemical compound C1C(CC2=CC=CC=C12)NC1=NC=C(C=N1)C1CCN(CC1)C(CCC1=CC2=C(NC(O2)=O)C=C1)=O DEXFNLNNUZKHNO-UHFFFAOYSA-N 0.000 description 1
- 108010088751 Albumins Proteins 0.000 description 1
- 102000009027 Albumins Human genes 0.000 description 1
- 206010002198 Anaphylactic reaction Diseases 0.000 description 1
- 206010002199 Anaphylactic shock Diseases 0.000 description 1
- 206010002329 Aneurysm Diseases 0.000 description 1
- 102400000667 Brain natriuretic peptide 32 Human genes 0.000 description 1
- 102100021943 C-C motif chemokine 2 Human genes 0.000 description 1
- 101710155857 C-C motif chemokine 2 Proteins 0.000 description 1
- 108010074051 C-Reactive Protein Proteins 0.000 description 1
- 208000032544 Cicatrix Diseases 0.000 description 1
- 206010051625 Conjunctival hyperaemia Diseases 0.000 description 1
- 206010010741 Conjunctivitis Diseases 0.000 description 1
- 206010011071 Coronary artery aneurysm Diseases 0.000 description 1
- CMSMOCZEIVJLDB-UHFFFAOYSA-N Cyclophosphamide Chemical compound ClCCN(CCCl)P1(=O)NCCCO1 CMSMOCZEIVJLDB-UHFFFAOYSA-N 0.000 description 1
- 206010012438 Dermatitis atopic Diseases 0.000 description 1
- 206010073508 Drug reaction with eosinophilia and systemic symptoms Diseases 0.000 description 1
- 208000010201 Exanthema Diseases 0.000 description 1
- 108010073385 Fibrin Proteins 0.000 description 1
- 102000009123 Fibrin Human genes 0.000 description 1
- 108010058861 Fibrin Fibrinogen Degradation Products Proteins 0.000 description 1
- BWGVNKXGVNDBDI-UHFFFAOYSA-N Fibrin monomer Chemical compound CNC(=O)CNC(=O)CN BWGVNKXGVNDBDI-UHFFFAOYSA-N 0.000 description 1
- 208000019779 Gender disease Diseases 0.000 description 1
- 208000034826 Genetic Predisposition to Disease Diseases 0.000 description 1
- 206010018367 Glomerulonephritis chronic Diseases 0.000 description 1
- 101001082142 Homo sapiens Pentraxin-related protein PTX3 Proteins 0.000 description 1
- 208000003623 Hypoalbuminemia Diseases 0.000 description 1
- -1 IL-1β Proteins 0.000 description 1
- 208000010159 IgA glomerulonephritis Diseases 0.000 description 1
- 206010021263 IgA nephropathy Diseases 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 102000014150 Interferons Human genes 0.000 description 1
- 108010050904 Interferons Proteins 0.000 description 1
- 206010027727 Mitral valve incompetence Diseases 0.000 description 1
- 101710187800 Natriuretic peptides A Proteins 0.000 description 1
- 102100034296 Natriuretic peptides A Human genes 0.000 description 1
- 101710187802 Natriuretic peptides B Proteins 0.000 description 1
- 102100036836 Natriuretic peptides B Human genes 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 102100027351 Pentraxin-related protein PTX3 Human genes 0.000 description 1
- 208000005228 Pericardial Effusion Diseases 0.000 description 1
- 108010048233 Procalcitonin Proteins 0.000 description 1
- 208000001647 Renal Insufficiency Diseases 0.000 description 1
- 206010039085 Rhinitis allergic Diseases 0.000 description 1
- 206010051495 Strawberry tongue Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 102000003929 Transaminases Human genes 0.000 description 1
- 108090000340 Transaminases Proteins 0.000 description 1
- 102000004903 Troponin Human genes 0.000 description 1
- 108090001027 Troponin Proteins 0.000 description 1
- 108060008682 Tumor Necrosis Factor Proteins 0.000 description 1
- 102000000852 Tumor Necrosis Factor-alpha Human genes 0.000 description 1
- 208000024780 Urticaria Diseases 0.000 description 1
- 238000001772 Wald test Methods 0.000 description 1
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 201000010105 allergic rhinitis Diseases 0.000 description 1
- 230000036783 anaphylactic response Effects 0.000 description 1
- 229940121363 anti-inflammatory agent Drugs 0.000 description 1
- 206010003230 arteritis Diseases 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 201000008937 atopic dermatitis Diseases 0.000 description 1
- LMEKQMALGUDUQG-UHFFFAOYSA-N azathioprine Chemical compound CN1C=NC([N+]([O-])=O)=C1SC1=NC=NC2=C1NC=N2 LMEKQMALGUDUQG-UHFFFAOYSA-N 0.000 description 1
- 229960002170 azathioprine Drugs 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 239000010836 blood and blood product Substances 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 229940125691 blood product Drugs 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000007675 cardiac surgery Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000011284 combination treatment Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000002586 coronary angiography Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 229960004397 cyclophosphamide Drugs 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000002934 diuretic Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 231100000321 erythema Toxicity 0.000 description 1
- 201000005884 exanthem Diseases 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 229950003499 fibrin Drugs 0.000 description 1
- 239000000208 fibrin degradation product Substances 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 238000012812 general test Methods 0.000 description 1
- 239000003163 gonadal steroid hormone Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000005534 hematocrit Methods 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 238000003018 immunoassay Methods 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 208000030603 inherited susceptibility to asthma Diseases 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 229940079322 interferon Drugs 0.000 description 1
- 201000006370 kidney failure Diseases 0.000 description 1
- 239000004816 latex Substances 0.000 description 1
- 229920000126 latex Polymers 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000004877 mucosa Anatomy 0.000 description 1
- RTGDFNSFWBGLEC-SYZQJQIISA-N mycophenolate mofetil Chemical compound COC1=C(C)C=2COC(=O)C=2C(O)=C1C\C=C(/C)CCC(=O)OCCN1CCOCC1 RTGDFNSFWBGLEC-SYZQJQIISA-N 0.000 description 1
- 229960004866 mycophenolate mofetil Drugs 0.000 description 1
- 230000001452 natriuretic effect Effects 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 210000000440 neutrophil Anatomy 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000002616 plasmapheresis Methods 0.000 description 1
- XAEFZNCEHLXOMS-UHFFFAOYSA-M potassium benzoate Chemical compound [K+].[O-]C(=O)C1=CC=CC=C1 XAEFZNCEHLXOMS-UHFFFAOYSA-M 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- CWCXERYKLSEGEZ-KDKHKZEGSA-N procalcitonin Chemical compound C([C@@H](C(=O)N1CCC[C@H]1C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@H](C(=O)N[C@@H](C)C(=O)N[C@@H]([C@@H](C)CC)C(=O)NCC(=O)N[C@@H](C(C)C)C(=O)NCC(=O)N[C@@H](C)C(=O)N1[C@@H](CCC1)C(=O)NCC(O)=O)[C@@H](C)O)NC(=O)[C@@H](NC(=O)[C@H](CC=1NC=NC=1)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CC(N)=O)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@@H](NC(=O)CNC(=O)[C@H](CC(C)C)NC(=O)[C@H](CCSC)NC(=O)[C@H]1NC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CO)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC(N)=O)NC(=O)CNC(=O)[C@@H](N)CSSC1)[C@@H](C)O)[C@@H](C)O)[C@@H](C)O)C1=CC=CC=C1 CWCXERYKLSEGEZ-KDKHKZEGSA-N 0.000 description 1
- 206010037844 rash Diseases 0.000 description 1
- 230000008085 renal dysfunction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000004626 scanning electron microscopy Methods 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
- 230000037387 scars Effects 0.000 description 1
- 210000003765 sex chromosome Anatomy 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 159000000000 sodium salts Chemical class 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000011272 standard treatment Methods 0.000 description 1
- 150000003431 steroids Chemical class 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000007473 univariate analysis Methods 0.000 description 1
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
Description
前記サンプルスコアについて前記各々の被験者での計算値は、前記3種以上の被験者臨床データと、前記各々の被験者での前記合併症の発生の有無に関する判定結果と、を含む4種以上の観測変数が設けられて共分散構造分析が行われる場合に、前記判定結果に係る観測変数に対して直接的に有意な因果関係が認められる潜在変数の因子得点に関するデータであり、前記患者の臨床情報は、性別、前記時点での月齢、前記時点での冠動脈径、前記時点での全身性血管炎マーカー検査値、前記時点での高サイトカイン血症マーカー検査値、前記時点でのIVIG不応予測スコアの得点、前記時点の後に前記抗炎症療法を受ける予定回数、及びこれらのいずれかを間接的に示すデータからなる群より選ばれた3種以上の患者臨床データを含む、学習済みモデルである。斯かる構成の学習済みモデルによれば、既に述べた理由により、CAL発生リスクを従来よりも高精度で予測可能な学習済みモデルを、例えば従来の一般病院の小児科でも生成可能である。
本願発明者は、本発明を完成させるまでの過程で、次のように考えた。従来、KD急性期患者がCAL発生に至るリスクを、図31における一次治療S30前に判断する(S24)時点で高精度に予測するのは難しかった。その原因は、患者ごとにCAL発生と関連性がある未知の因子が隠れているため、つまり、患者ごとに異なる体質(遺伝的素因や環境要因)が潜在しているためと考えた。この考えに基づき、本願発明者は、共分散構造分析に着目した。従来、共分散構造分析は、社会学、心理学、又はマーケティング等の分野で、幾つかの未知の因子が含まれる複雑な問題を分析するのに活用されていた(例えば特許文献1参照)が、本願発明者が知り得る限り、臨床医学分野で潜在変数と体質との因果関係を説明するために活用した前例は皆無であった。小児の臨床医学では、複数の臨床的指標の間に複雑な関連性が存在すると考えられる場合がある。このため、例えば、小児科医が日常診療の現場で取得可能な、KD急性期患者の検査値などの臨床情報に基づいて、共分散構造分析により、一次治療S30後のCAL発生を一次治療S30前に予測するという複雑な問題を解明できる可能性があると考えた。
図6に示す本発明の一実施形態に係る予測方法S10aは、学習済みモデルを有する情報処理装置を用いて、KD急性期患者でのCAL発生リスクを予測するための予測方法である。予測方法S10aは、被験者らの臨床情報取得ステップS2aと、学習前の正規化ステップS3aと、共分散構造分析ステップS4aと、学習ステップS6aと、選別ステップS7aと、患者の臨床情報取得ステップS12aと、予測前の正規化ステップS13aと、予測ステップS14aとを含み得る。ステップS2aからS7aは、前述した生成方法S1aと同様に行えば良い。
本発明の一実施形態に係る学習済みモデルは、KD患者でCAL発生に至るか否かを予測するための学習済みモデルである。既に説明したように、この学習済みモデルは、既にKD急性期医療における少なくとも一次治療を受けた後にCAL発生の有無を判定された被験者らについて、各々の被験者の臨床情報が図5に示すANN1の入力層2に入力され、出力層8がCAL発生リスクに関するSSについて各々の被験者での計算値を出力するように、前述した数式4で示した重み付け値Wijが機械学習されたものである。また、この学習済みモデルは、入力層にKD急性期患者の臨床情報が入力される場合には、入力されるKD急性期患者の臨床情報に対して重み付け値Wijに基づく演算を行い、出力層からKD急性期患者でのSS予測値を出力するように、情報処理装置を機能させるためのものである。
以下に図1を用いて、本発明の他の実施形態に係る学習済みモデルの生成方法S1eを説明するにあたり、前述した生成方法S1aとの共通事項について適宜説明を省略し、生成方法S1aと異なる事項を主に説明する。生成方法S1eは、IgA血管炎(IgAV)患者での紫斑病性腎炎(PN)発生リスクを予測するためか又はPNで蛋白尿を伴う症例発生リスクを予測するための学習済みモデルを生成させるにあたり、被験者らの臨床情報取得ステップS2eと、学習前の正規化ステップS3eと、共分散構造分析ステップS4eと、学習ステップS6eと、選別ステップS7eとを含み得る。
図6に示す本発明の他の実施形態に係る予測方法S10eは、学習済みモデルを有する情報処理装置を用いて、IgAV急性期患者でのPN発生リスクか又はPNで蛋白尿を伴う症例発生リスクを予測するための予測方法である。予測方法S10eは、被験者らの臨床情報取得ステップS2eと、学習前の正規化ステップS3eと、共分散構造分析ステップS4eと、学習ステップS6eと、選別ステップS7eと、患者の臨床情報取得ステップS12eと、予測前の正規化ステップS13eと、予測ステップS14eとを含み得る。ステップS2eからS7eは、前述した生成方法S1eと同様に行えば良い。
本発明の他の実施形態に係る学習済みモデルは、IgAV患者でのPN発生リスクか又はPNで蛋白尿を伴う症例発生リスクを予測するための学習済みモデルである。この学習済みモデルは、既にIgAV急性期医療における初回治療後の所定期間内にPN発生か又はPNで蛋白尿を伴う症例発生の有無を判定された被験者らについて、各々の被験者の臨床情報が図3に示すANN1の入力層2に入力され、出力層8がPN発生リスクに関するSSについて各々の被験者での計算値を出力するように、前述した数式4で示した重み付け値Wijが機械学習されたものである。この学習済みモデルは、入力層にIgAV急性期患者の臨床情報が入力される場合には、入力されるIgAV急性期患者の臨床情報に対して重み付け値Wijに基づく演算を行い、出力層からIgAV急性期患者でのSS予測値を出力するように、情報処理装置を機能させるためのものである。例えば図6に示す予測方法S10e又は図7に示す予測方法S10fを実施する者は、この学習済みモデルを有する情報処理装置を使用することとなる。この情報処理装置は、図8を用いて既に説明した情報処理装置60と同様に構成しても良い。
本願発明者は、箕面市立病院でオプトアウトを用いて、後ろ向き研究を行うこととした。後ろ向き研究は、疾病の要因と発症との関連を調べる研究手法の一種である。研究開始時点から過去にふり返って、CAL発生に至った被験者らと、CAL発生に至らなかった被験者らとについて、臨床データを比較し、CAL発生に至った要因を検証することとした。箕面市立病院の倫理審査委員会は、この研究を承認し、インフォームドコンセントの必要性を断念することも承認した。全ての方法は、ヘルシンキ宣言と関連性がある指針に従って実施した。
SS計算値にCAL発生か否かを正確に判別可能な潜在的価値があるか検証するため、第3期研究では、第1期研究と第2期研究との全データを一体化させ、平均共分散構造分析によりCAL発生リスクの予測可能性を改めて検討した。図12に示す第3期研究のパスモデルでは、p<0.0001との有意なp値と、0.33以上の相関係数とを基準に用いた。このパスモデルで、RMSEA値は0.032、AIC値は65、CFI値は0.98、7種の観測変数と1つの潜在変数とを用いたパスモデル適合に関するR2値は1.000であった。標準化直接効果として潜在変数と「CAL発生の有無に関する判定結果」に係る観測変数との標準化パス係数は1.47(p<0.001)であり、標準化総合効果として標準化パス係数が0.741(p<0.001)であった。これらの結果から、第3期研究のパスモデルで設けた潜在変数で、「CAL発生の有無に関する判定結果」に係る観測変数に対して直接的な有意な因果関係が認められた。第3期研究では、図15に示すように、SS計算値を用いたCAL発生の判別に優れており(p<0.0001)、ROC解析によるSS計算値のカットオフ値は2.0であった。
従来、疾病の要因と発症との関連を調べる研究では、多変量ロジスチック回帰分析が試行されており、この解析で潜在変数を設けることはできなかった。このことを考慮し、図12に示す第3期研究のパスモデルと比べて、図20に示すように潜在変数を除いた比較例1-1に係るパスモデルを作成した。このパスモデルにより平均共分散構造分析を試行したが、前述の表5に示したように全く適合していない悪い統計モデルであったため、CAL発生リスクを予測できる見込みが全くなかった。
比較例1-2では、従来どおり多変量ロジスチック回帰分析でCAL発生リスクを予測しようとした。このためには、第3期研究の被験者らの臨床情報から、性別、一次治療前時点での月齢、一次治療前時点での血清中CRP濃度、一次治療前時点でのLog尿中β2MG/Cr、一次治療前時点での佐野スコアによるIVIG不応高リスク該当の有無、一次治療前時点での冠動脈直径最大値、及び一次治療でIVMP投与を受けた回数という7種の被験者臨床データをそれぞれ独立変数として抽出し、並びにCAL発生の有無に関する判定結果を目的変数として抽出して、多変量ロジスチック回帰分析を試行した。しかし、前述の表5に示したように、R2=0.0615という低値で、C統計量は0.80未満であったため、従来どおりCAL発生リスクの予測精度が低かった。
前述した実施例1-1では、平均共分散構造分析で「CAL発生の有無に関する判定結果」以外に6種の被験者臨床データを観測変数とした。実施例1-2から1-6では、この6種の観測変数のうち1種を削減してもCAL発生リスクを予測可能か否か、検証した。その結果、次の表6に示すように、ある程度に高精度で予測可能なことが示唆された。
実施例1-1での「CAL発生の有無に関する判定結果」を除く6種の観測変数のうち2種又は3種を削減した場合に、平均共分散構造分析で統計モデルが適合するか検証した。その結果、次の表7と表8とに示すように、ある程度は適合したため、更に機械学習と組み合わせることにより、CAL発生リスクをある程度に精度良く予測可能と考えられる。
本願発明者は、IgAV急性期患者においてPNで高度蛋白尿を伴う症例発生リスクも高精度に予測可能か検証するために、前述した第3期研究と同様にして後ろ向き研究を行った。被験者らは、1995年5月から2015年10月の間に箕面市立病院で受診し、IgAVと診断され入院治療を受けた93名の小児ら(男性:女性=43:50)であった。この小児らは、入院時(初回治療前時点)に6.2±2.2歳(平均値±SD)、入院時での即時型アレルギー疾患既往有25%、及び入院時での腹痛有60%であった。また、初回治療でPSL投与有30%、つまり、初回治療で一定期間にわたりPSL経口投与を受けた場合に1回と数えて、PSL投与を受けた回数0回が70%で、回数1回が30%であった。初回治療後かつIgAV発症から30日経過頃に診断したところ、PN発症26名(28%)であった。この26名の被験者らで尿化学検査を行い、尿蛋白/Cr比が1.0以上である場合に、PNで高度蛋白尿を伴う症例発生と判定したところ、この症例発生ありと判定されたもの10名(93名の小児らのうち11%)であった。
図21に示す実施例2-1に係るパスモデルと比べて、図25に示すように潜在変数を除いた比較例2-1に係るパスモデルを作成した。このパスモデルにより平均共分散構造分析を試行したが、表9で前述したように適合していない悪い統計モデルであったため、PNで高度蛋白尿を伴う症例発生リスクを予測できる見込みが全くなかった。
比較例1-2では、従来どおり多変量ロジスチック回帰分析により、PNで高度蛋白尿を伴う症例発生リスクを予測しようとした。このためには、93名の被験者らの臨床情報から、性別、初回治療前時点での月齢、初回治療前時点での血中FDP・Dダイマー濃度、初回治療前時点での即時型アレルギー疾患の有無、初回治療前時点での腹痛の有無、及び治療でのPSL投与の有無という6種の被験者臨床データをそれぞれ独立変数として抽出し、並びに「治療後でのPNで高度蛋白尿を伴う症例発生の有無に関する判定結果」を目的変数として抽出して、多変量ロジスチック回帰分析を試行した。しかし、表9で前述したように、R2=0.492という低値であったため、PNで高度蛋白尿を伴う症例発生リスクの予測精度が低かった。
実施例2-1での「PNで高度蛋白尿を伴う症例発生の有無に関する判定結果」を除く6種の観測変数のうち1種または2種を削減した場合に、平均共分散構造分析で統計モデルが適合するか検証した。その結果、次の表10に示すように、ある程度は適合したため、更に機械学習と組み合わせることにより、PNで高度蛋白尿を伴う症例発生リスクを、ある程度に精度良く予測可能と考えられる。
本願発明者は、IgAV急性期患者でPN発生リスクも高精度に予測可能か検証するために、前述した実施例2-1と同じ被験者らの臨床情報から一部別の臨床データを抽出し、同様に後ろ向き研究を行った。図26に示すパスモデルを作成した際、各々の観測変数として、性別と、初回治療前時点での月齢と、初回治療前時点での血中IgA濃度と、初回治療前時点での血中IgE濃度と、初回治療でのPSL投与の有無と、初回治療後でのPN発生の有無に関する判定結果と、を選定した。このパスモデルを用いてSEMによる平均共分散構造分析を行い、潜在変数の因子得点であるSS計算値を算出させた。なお、PN発生の有無は、市販の尿蛋白試験紙を尿に浸して+(タンパク質濃度約30mg/dL以上)呈色が3日以上継続した場合、または、市販の尿潜血試験紙を尿に浸して+(ヘモグロビン濃度約0.06mg/dL以上もしくは赤血球濃度約20個/μL以上)呈色か++(ヘモグロビン濃度約0.15mg/dL以上もしくは赤血球濃度約50個/μL以上)呈色かが2日以上継続した場合、または、市販の尿潜血試験紙を尿に浸して+++(ヘモグロビン濃度約0.75mg/dL以上もしくは赤血球濃度約250個/μL以上)呈色が2日以上継続した場合に、PN発生ありと判定した。また、多くの被験者らで、判定結果を除く5種の観測変数のうち、血中IgA濃度および/または血中IgE濃度の臨床データが欠けていた。判定結果を除く5種の観測変数について、臨床データに欠けのない被験者らは32名であった。
図26に示す実施例3-1に係るパスモデルと比べて、図30に示すように潜在変数を除いた比較例3-1に係るパスモデルを作成した。このパスモデルにより平均共分散構造分析を試行したが、表11に示すように全く適合していない悪い統計モデルであったため、PNで高度蛋白尿を伴う症例発生リスクを予測できる見込みが全くなかった。
比較例3-2では、従来どおり多変量ロジスチック回帰分析でPN発生リスクを予測しようとした。このためには、93名の被験者らの臨床情報から、性別、初回治療前時点での月齢、初回治療前時点での血中IgA濃度、初回治療前時点での血中IgE濃度、及び治療でのPSL投与の有無という5種の被験者臨床データをそれぞれ独立変数として抽出し、並びに「治療後でのPN発生の有無に関する判定結果」を目的変数として抽出して、多変量ロジスチック回帰分析を試行した。しかし、表11に示すようにR2=0.122という低値で、特異度が4.3%と低すぎるため、PN発生リスクの予測精度が低かった。
本発明の一実施形態に係る学習済みモデルは、KD患者でCAL発生に至るか否かを予測するための学習済みモデルである。既に説明したように、この学習済みモデルは、既にKD急性期医療における少なくとも一次治療を受けた後にCAL発生の有無を判定された被験者らについて、各々の被験者の臨床情報が図5に示すANN1の入力層2に入力され、出力層8がCAL発生リスクに関するSSについて各々の被験者での計算値を出力するように、前述した数式5で示した重み付け値Wijが機械学習されたものである。また、この学習済みモデルは、入力層にKD急性期患者の臨床情報が入力される場合には、入力されるKD急性期患者の臨床情報に対して重み付け値Wijに基づく演算を行い、出力層からKD急性期患者でのSS予測値を出力するように、情報処理装置を機能させるためのものである。
本発明の他の実施形態に係る学習済みモデルは、IgAV患者でのPN発生リスクか又はPNで蛋白尿を伴う症例発生リスクを予測するための学習済みモデルである。この学習済みモデルは、既にIgAV急性期医療における初回治療後の所定期間内にPN発生か又はPNで蛋白尿を伴う症例発生の有無を判定された被験者らについて、各々の被験者の臨床情報が図5に示すANN1の入力層2に入力され、出力層8がPN発生リスクに関するSSについて各々の被験者での計算値を出力するように、前述した数式5で示した重み付け値Wijが機械学習されたものである。この学習済みモデルは、入力層にIgAV急性期患者の臨床情報が入力される場合には、入力されるIgAV急性期患者の臨床情報に対して重み付け値Wijに基づく演算を行い、出力層からIgAV急性期患者でのSS予測値を出力するように、情報処理装置を機能させるためのものである。例えば図6に示す予測方法S10e又は図7に示す予測方法S10fを実施する者は、この学習済みモデルを有する情報処理装置を使用することとなる。この情報処理装置は、図8を用いて既に説明した情報処理装置60と同様に構成しても良い。
比較例2-2では、従来どおり多変量ロジスチック回帰分析により、PNで高度蛋白尿を伴う症例発生リスクを予測しようとした。このためには、93名の被験者らの臨床情報から、性別、初回治療前時点での月齢、初回治療前時点での血中FDP・Dダイマー濃度、初回治療前時点での即時型アレルギー疾患の有無、初回治療前時点での腹痛の有無、及び治療でのPSL投与の有無という6種の被験者臨床データをそれぞれ独立変数として抽出し、並びに「治療後でのPNで高度蛋白尿を伴う症例発生の有無に関する判定結果」を目的変数として抽出して、多変量ロジスチック回帰分析を試行した。しかし、表9で前述したように、R2=0.492という低値であったため、PNで高度蛋白尿を伴う症例発生リスクの予測精度が低かった。
実施例2-1での「PNで高度蛋白尿を伴う症例発生の有無に関する判定結果」を除く6種の観測変数のうち1種または2種を削減した場合に、平均共分散構造分析で統計モデルが適合するか検証した。その結果、次の表10に示すように、ある程度は適合したため、更に機械学習と組み合わせることにより、PNで高度蛋白尿を伴う症例発生リスクを、ある程度に精度良く予測可能と考えられる。
図26に示す実施例3-1に係るパスモデルと比べて、図30に示すように潜在変数を除いた比較例3-1に係るパスモデルを作成した。このパスモデルにより平均共分散構造分析を試行したが、表11に示すように全く適合していない悪い統計モデルであったため、PN発生リスクを予測できる見込みが全くなかった。
Claims (9)
- 川崎病の患者で合併症の発生リスクを予測するための予測方法であって、
前記予測方法は、学習済みモデルを有する情報処理装置に、前記患者の臨床情報を入力して、前記合併症の発生リスクに関するサンプルスコアについて前記患者での予測値を出力する処理を実行させるステップを含み、
前記合併症は、冠動脈拡大病変であり、
前記学習済みモデルは、既に前記合併症の発生の有無を判定された被験者らにおける各々の被験者の臨床情報と、前記サンプルスコアについて前記各々の被験者での計算値との関係を機械学習させたものであり、
前記各々の被験者の臨床情報は、性別、川崎病の急性期であり且つ抗炎症療法を受けていない時点での月齢、前記時点での冠動脈径、前記時点での全身性血管炎マーカー検査値、前記時点での高サイトカイン血症マーカー検査値、前記時点での静注用免疫グロブリン(IVIG)不応予測スコアの得点、前記時点の後に前記抗炎症療法を受けた回数、及びこれらのいずれかを間接的に示すデータからなる群より選ばれた3種以上の被験者臨床データを含み、
前記サンプルスコアについて前記各々の被験者での計算値は、前記3種以上の被験者臨床データと、前記各々の被験者での前記合併症の発生の有無に関する判定結果と、を含む4種以上の観測変数が設けられて共分散構造分析が行われる場合に、前記判定結果に係る観測変数に対して直接的に有意な因果関係が認められる潜在変数の因子得点に関するデータであり、
前記患者の臨床情報は、性別、前記時点での月齢、前記時点での冠動脈径、前記時点での全身性血管炎マーカー検査値、前記時点での高サイトカイン血症マーカー検査値、前記時点でのIVIG不応予測スコアの得点、前記時点の後に前記抗炎症療法を受ける予定回数、及びこれらのいずれかを間接的に示すデータからなる群より選ばれた3種以上の患者臨床データを含む、予測方法。 - IgA血管炎の患者で合併症の発生リスクを予測するための予測方法であって、
前記予測方法は、学習済みモデルを有する情報処理装置に、前記患者の臨床情報を入力して、前記合併症の発生リスクに関するサンプルスコアについて前記患者での予測値を出力する処理を実行させるステップを含み、
前記合併症は、紫斑病性腎炎か又は前記紫斑病性腎炎で蛋白尿を伴う症例かであり、
前記学習済みモデルは、既に前記合併症の発生の有無を判定された被験者らにおける各々の被験者の臨床情報と、前記サンプルスコアについて前記各々の被験者での計算値との関係を機械学習させたものであり、
前記各々の被験者の臨床情報は、性別、IgA血管炎の急性期であり且つ抗炎症療法を受けていない時点での月齢、前記時点での全身性血管炎マーカー検査値、前記時点での腹痛の有無、前記時点での即時型アレルギー疾患の有無、前記時点での血中IgA検査値、前記時点での血中IgE検査値、前記時点の後に前記抗炎症療法を受けた回数、及びこれらのいずれかを間接的に示すデータからなる群より選ばれた4種以上の被験者臨床データを含み、
前記サンプルスコアについて前記各々の被験者での計算値は、前記4種以上の被験者臨床データと、前記各々の被験者での前記合併症の発生の有無に関する判定結果と、を含む5種以上の観測変数が設けられて共分散構造分析が行われる場合に、前記判定結果に係る観測変数に対して直接的に有意な因果関係が認められる潜在変数の因子得点に関するデータであり、
前記患者の臨床情報は、性別、前記時点での月齢、前記時点での全身性血管炎マーカー検査値、前記時点での腹痛の有無、前記時点での即時型アレルギー疾患の有無、前記時点での血中IgA検査値、前記時点での血中IgE検査値、前記時点の後に前記抗炎症療法を受ける予定回数、及びこれらのいずれかを間接的に示すデータからなる群より選ばれた4種以上の患者臨床データを含む、予測方法。 - 前記抗炎症療法が、アセチルサリチル酸および/またはその塩の投与、IVIG投与、静注用メチルプレドニゾロンパルス投与、プレドニゾロン投与、インフリキシマブ投与、ウリナスタチン投与、シクロスポリンA投与、並びに血漿交換からなる群より選ばれた1種以上の治療方法である、請求項1又は請求項2に記載された予測方法。
- 前記サンプルスコアについて前記患者での予測値が所定のカットオフ値以上である場合に、前記患者で前記合併症の発生に至る予測結果を出力する処理を実行するように前記情報処理装置を機能させる、請求項1から請求項3までのいずれか一項に記載された予測方法。
- 川崎病の患者で合併症の発生リスクを予測するための学習済みモデルの生成方法であって、
前記生成方法は、既に前記合併症の発生の有無を判定された被験者らにおける各々の被験者の臨床情報が入力層に入力されると、出力層が前記合併症の発生リスクに関するサンプルスコアについて前記各々の被験者での計算値を出力するように機械学習させて、前記学習済みモデルを生成するステップを含み、
前記合併症は、冠動脈拡大病変であり、
前記各々の被験者の臨床情報は、性別、川崎病の急性期であり且つ抗炎症療法を受けていない時点での月齢、前記時点での冠動脈径、前記時点での全身性血管炎マーカー検査値、前記時点での高サイトカイン血症マーカー検査値、前記時点でのIVIG不応予測スコアの得点、前記時点の後に前記抗炎症療法を受けた回数、及びこれらのいずれかを間接的に示すデータからなる群より選ばれた3種以上の被験者臨床データを含み、
前記サンプルスコアについて前記各々の被験者での計算値は、前記3種以上の被験者臨床データと、前記各々の被験者での前記合併症の発生の有無に関する判定結果と、を含む4種以上の観測変数が設けられて共分散構造分析が行われる場合に、前記判定結果に係る観測変数に対して直接的に有意な因果関係が認められる潜在変数の因子得点に関するデータである、学習済みモデルの生成方法。 - IgA血管炎の患者で合併症の発生リスクを予測するための学習済みモデルの生成方法であって、
前記生成方法は、既に前記合併症の発生の有無を判定された被験者らにおける各々の被験者の臨床情報が入力層に入力されると、出力層が前記合併症の発生リスクに関するサンプルスコアについて前記各々の被験者での計算値を出力するように機械学習させて、前記学習済みモデルを生成するステップを含み、
前記合併症は、紫斑病性腎炎か又は前記紫斑病性腎炎で蛋白尿を伴う症例かであり、
前記各々の被験者の臨床情報は、性別、IgA血管炎の急性期であり且つ抗炎症療法を受けていない時点での月齢、前記時点での全身性血管炎マーカー検査値、前記時点での腹痛の有無、前記時点での即時型アレルギー疾患の有無、前記時点での血中IgA検査値、前記時点での血中IgE検査値、前記時点の後に前記抗炎症療法を受けた回数、及びこれらのいずれかを間接的に示すデータからなる群より選ばれた4種以上の被験者臨床データを含み、
前記サンプルスコアについて前記各々の被験者での計算値は、前記4種以上の被験者臨床データと、前記各々の被験者での前記合併症の発生の有無に関する判定結果と、を含む5種以上の観測変数が設けられて共分散構造分析が行われる場合に、前記判定結果に係る観測変数に対して直接的に有意な因果関係が認められる潜在変数の因子得点に関するデータである、学習済みモデルの生成方法。 - 川崎病の患者で合併症の発生リスクを予測するための学習済みモデルであって、
前記学習済みモデルは、既に前記合併症の発生の有無を判定された被験者らにおける各々の被験者の臨床情報が入力層に入力され、出力層が前記合併症の発生リスクに関するサンプルスコアについて前記各々の被験者での計算値を出力するように重み付け値が機械学習されたものであり、且つ、前記入力層に前記患者の臨床情報が入力される場合には、入力される前記患者の臨床情報に対して前記重み付け値に基づく演算を行い、前記出力層から前記サンプルスコアについて前記患者での予測値を出力するように情報処理装置を機能させるためのものであり、
前記合併症は、冠動脈拡大病変であり、
前記各々の被験者の臨床情報は、性別、川崎病の急性期であり且つ抗炎症療法を受けていない時点での月齢、前記時点での冠動脈径、前記時点での全身性血管炎マーカー検査値、前記時点での高サイトカイン血症マーカー検査値、前記時点でのIVIG不応予測スコアの得点、前記時点の後に前記抗炎症療法を受けた回数、及びこれらのいずれかを間接的に示すデータからなる群より選ばれた3種以上の被験者臨床データを含み、
前記サンプルスコアについて前記各々の被験者での計算値は、前記3種以上の被験者臨床データと、前記各々の被験者での前記合併症の発生の有無に関する判定結果と、を含む4種以上の観測変数が設けられて共分散構造分析が行われる場合に、前記判定結果に係る観測変数に対して直接的に有意な因果関係が認められる潜在変数の因子得点に関するデータであり、
前記患者の臨床情報は、性別、前記時点での月齢、前記時点での冠動脈径、前記時点での全身性血管炎マーカー検査値、前記時点での高サイトカイン血症マーカー検査値、前記時点でのIVIG不応予測スコアの得点、前記時点の後に前記抗炎症療法を受ける予定回数、及びこれらのいずれかを間接的に示すデータからなる群より選ばれた3種以上の患者臨床データを含む、学習済みモデル。 - IgA血管炎の患者で合併症の発生リスクを予測するための学習済みモデルであって、
前記学習済みモデルは、既に前記合併症の発生の有無を判定された被験者らにおける各々の被験者の臨床情報が入力層に入力され、出力層が前記合併症の発生リスクに関するサンプルスコアについて前記各々の被験者での計算値を出力するように重み付け値が機械学習されたものであり、且つ、前記入力層に前記患者の臨床情報が入力されるときには、入力される前記患者の臨床情報に対して前記重み付け値に基づく演算を行い、前記出力層から前記サンプルスコアについて前記患者での予測値を出力するように情報処理装置を機能させるためのものであり、
前記合併症は、紫斑病性腎炎か又は前記紫斑病性腎炎で蛋白尿を伴う症例かであり、
前記各々の被験者の臨床情報は、性別、IgA血管炎の急性期であり且つ抗炎症療法を受けていない時点での月齢、前記時点での全身性血管炎マーカー検査値、前記時点での腹痛の有無、前記時点での即時型アレルギー疾患の有無、前記時点での血中IgA検査値、前記時点での血中IgE検査値、前記時点の後に抗炎症療法を受けた回数、及びこれらのいずれかを間接的に示すデータからなる群より選ばれた4種以上の被験者臨床データを含み、
前記サンプルスコアについて前記各々の被験者での計算値は、前記4種以上の被験者臨床データと、前記各々の被験者での前記合併症の発生の有無に関する判定結果と、を含む5種以上の観測変数が設けられて共分散構造分析が行われる場合に、前記判定結果に係る観測変数に対して直接的に有意な因果関係が認められる潜在変数の因子得点に関するデータであり、
前記患者の臨床情報は、性別、前記時点での月齢、前記時点での全身性血管炎マーカー検査値、前記時点での腹痛の有無、前記時点での即時型アレルギー疾患の有無、前記時点での血中IgA検査値、前記時点での血中IgE検査値、前記時点の後に前記抗炎症療法を受ける予定回数、及びこれらのいずれかを間接的に示すデータからなる群より選ばれた4種以上の患者臨床データを含む、学習済みモデル。 - 前記学習済みモデルが記憶される記憶部と、
前記患者の臨床情報が入力された場合に、入力された前記患者の臨床情報を前記学習済みモデルに適用して、前記サンプルスコアについて前記患者での予測値を出力する処理を実行する処理部と、
を備える、請求項7又は請求項8に記載された学習済みモデルを有する情報処理装置。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020122464 | 2020-07-16 | ||
JP2020122464 | 2020-07-16 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6986650B1 JP6986650B1 (ja) | 2021-12-22 |
JP2022019701A true JP2022019701A (ja) | 2022-01-27 |
Family
ID=79193188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021118250A Active JP6986650B1 (ja) | 2020-07-16 | 2021-07-16 | 川崎病またはIgA血管炎での合併症発生リスク予測方法、学習済みモデル及びその生成方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6986650B1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7408000B1 (ja) | 2022-06-20 | 2024-01-04 | 威久 山本 | 骨粗鬆症による骨折の推測及び予測の少なくとも一方の方法、骨折スコア出力方法、学習モデル生成方法、学習モデル、骨粗鬆症による骨折のリスク因子推定方法、グラフ作成方法、プログラム、情報処理装置、並びに、学習データセット作成方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114881124B (zh) * | 2022-04-21 | 2023-07-25 | 北京百度网讯科技有限公司 | 因果关系图的构建方法、装置、电子设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006099482A (ja) * | 2004-09-29 | 2006-04-13 | Toshiba Corp | 解析支援システム及び解析支援プログラム |
US20140018446A1 (en) * | 2012-07-16 | 2014-01-16 | The Board Of Regents Of The University Of Texas System | Serum Biomarker Screen for the Diagnosis of Clinical and Preclinical Alzheimer's Disease |
JP2020030662A (ja) * | 2018-08-23 | 2020-02-27 | 一般社団法人日本農業フロンティア開発機構 | 疾病評価指標算出方法、装置、システム、及び、プログラム、並びに、疾病評価指標を算出するためのモデル作成方法。 |
JP6703412B2 (ja) * | 2016-02-04 | 2020-06-03 | 花王株式会社 | 香りの作成支援方法 |
-
2021
- 2021-07-16 JP JP2021118250A patent/JP6986650B1/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006099482A (ja) * | 2004-09-29 | 2006-04-13 | Toshiba Corp | 解析支援システム及び解析支援プログラム |
US20140018446A1 (en) * | 2012-07-16 | 2014-01-16 | The Board Of Regents Of The University Of Texas System | Serum Biomarker Screen for the Diagnosis of Clinical and Preclinical Alzheimer's Disease |
JP6703412B2 (ja) * | 2016-02-04 | 2020-06-03 | 花王株式会社 | 香りの作成支援方法 |
JP2020030662A (ja) * | 2018-08-23 | 2020-02-27 | 一般社団法人日本農業フロンティア開発機構 | 疾病評価指標算出方法、装置、システム、及び、プログラム、並びに、疾病評価指標を算出するためのモデル作成方法。 |
Non-Patent Citations (2)
Title |
---|
HAOLIN WANG ET AL.: "Mining incomplete clinical data for the early assessment of Kawasaki disease based on feature cluste", ARTIFICIAL INTELLIGENCE IN MEDECINE, vol. 105, JPN7021004601, 3 May 2020 (2020-05-03), pages 1 - 7, ISSN: 0004628048 * |
山本 威久 ほか: "川崎病の冠動脈病変のリスク因子:平均共分散構造分析による検討", 日本小児感染症学会 総会・学術集会 プログラム・抄録集, vol. H-1-12, JPN7021004602, 19 November 2016 (2016-11-19), JP, pages 237, ISSN: 0004628047 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7408000B1 (ja) | 2022-06-20 | 2024-01-04 | 威久 山本 | 骨粗鬆症による骨折の推測及び予測の少なくとも一方の方法、骨折スコア出力方法、学習モデル生成方法、学習モデル、骨粗鬆症による骨折のリスク因子推定方法、グラフ作成方法、プログラム、情報処理装置、並びに、学習データセット作成方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6986650B1 (ja) | 2021-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Brady et al. | The HEART score: A guide to its application in the emergency department | |
Fu et al. | Development and validation of early warning score system: A systematic literature review | |
US20110202486A1 (en) | Healthcare Information Technology System for Predicting Development of Cardiovascular Conditions | |
US11915828B2 (en) | System and method of using machine learning for extraction of symptoms from electronic health records | |
JP6986650B1 (ja) | 川崎病またはIgA血管炎での合併症発生リスク予測方法、学習済みモデル及びその生成方法 | |
JP7228384B2 (ja) | 急性冠症候群のリスクを推定するための決定木ベースのシステム及び方法 | |
Gautier et al. | Artificial intelligence and diabetes technology: A review | |
Oh et al. | Reinforcement learning-based expanded personalized diabetes treatment recommendation using South Korean electronic health records | |
Suzan et al. | A Fuzzy Dematel Method to evaluate the most common diseases in internal medicine | |
Sargent et al. | Influence of physiological and psychological factors on cognitive dysfunction in heart failure patients | |
Kocks et al. | Diagnostic performance of a machine learning algorithm (Asthma/Chronic Obstructive Pulmonary Disease [COPD] Differentiation Classification) tool versus primary care physicians and pulmonologists in asthma, COPD, and asthma/COPD overlap | |
Herrgårdh et al. | Digital twins and hybrid modelling for simulation of physiological variables and stroke risk | |
Axente et al. | Heart failure prognostic model | |
Vis et al. | The influence of medical testing on patients’ health: an overview from the gynecologists’ perspective | |
Chan et al. | Investigation of diabetic microvascular complications using data mining techniques | |
Monreal et al. | An artificially intelligent (or algorithm-enhanced) electronic medical record in orofacial pain | |
Gupta et al. | An overview of clinical decision support system (CDSS) as a computational tool and its applications in public health | |
Ramanathan et al. | Prediction of Coronary Artery Disease using Artificial Intelligence–A Systematic Literature Review | |
Wang et al. | Prediction of target range of intact parathyroid hormone in hemodialysis patients with artificial neural network | |
Khayyat et al. | Decision support tool to estimate and reduce the probability of readmission for congestive heart failure patients | |
JP7408000B1 (ja) | 骨粗鬆症による骨折の推測及び予測の少なくとも一方の方法、骨折スコア出力方法、学習モデル生成方法、学習モデル、骨粗鬆症による骨折のリスク因子推定方法、グラフ作成方法、プログラム、情報処理装置、並びに、学習データセット作成方法 | |
Choi et al. | Pre-test probability for coronary artery disease in patients with chest pain based on machine learning techniques | |
Franchuk et al. | Prediction of subclinical gouty nephropathy by using neural networks | |
Park et al. | Original Research Article Study on prediction and diagnosis AI model of frequent chronic diseases based on health checkup big data | |
Alskaf et al. | Hybrid artificial intelligence outcome prediction using features extraction from stress perfusion cardiac magnetic resonance images and electronic health records |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210805 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210811 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210811 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20211029 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211129 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6986650 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |