JP5484309B2 - Prognosis prediction method for patients with ulcerative colitis undergoing CAP - Google Patents
Prognosis prediction method for patients with ulcerative colitis undergoing CAP Download PDFInfo
- Publication number
- JP5484309B2 JP5484309B2 JP2010283106A JP2010283106A JP5484309B2 JP 5484309 B2 JP5484309 B2 JP 5484309B2 JP 2010283106 A JP2010283106 A JP 2010283106A JP 2010283106 A JP2010283106 A JP 2010283106A JP 5484309 B2 JP5484309 B2 JP 5484309B2
- Authority
- JP
- Japan
- Prior art keywords
- cytapheresis
- input
- prognosis
- ulcerative colitis
- surgery
- 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.)
- Expired - Fee Related
Links
- 238000004393 prognosis Methods 0.000 title claims description 51
- 238000000034 method Methods 0.000 title claims description 37
- 206010009900 Colitis ulcerative Diseases 0.000 title claims description 26
- 201000006704 Ulcerative Colitis Diseases 0.000 title claims description 26
- 238000001356 surgical procedure Methods 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 230000000694 effects Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 10
- 239000002955 immunomodulating agent Substances 0.000 claims description 8
- 229940121354 immunomodulator Drugs 0.000 claims description 8
- 201000010099 disease Diseases 0.000 claims description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 7
- 230000002584 immunomodulator Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 4
- 150000003431 steroids Chemical class 0.000 claims description 3
- 238000002560 therapeutic procedure Methods 0.000 description 10
- 238000011282 treatment Methods 0.000 description 9
- 238000000059 patterning Methods 0.000 description 7
- GLVAUDGFNGKCSF-UHFFFAOYSA-N mercaptopurine Chemical compound S=C1NC=NC2=C1NC=N2 GLVAUDGFNGKCSF-UHFFFAOYSA-N 0.000 description 6
- 238000001179 sorption measurement Methods 0.000 description 6
- 238000011866 long-term treatment Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 210000003714 granulocyte Anatomy 0.000 description 4
- 210000000265 leukocyte Anatomy 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 229960001428 mercaptopurine Drugs 0.000 description 3
- 206010035664 Pneumonia Diseases 0.000 description 2
- LMEKQMALGUDUQG-UHFFFAOYSA-N azathioprine Chemical compound CN1C=NC([N+]([O-])=O)=C1SC1=NC=NC2=C1NC=N2 LMEKQMALGUDUQG-UHFFFAOYSA-N 0.000 description 2
- 229960002170 azathioprine Drugs 0.000 description 2
- 239000011324 bead Substances 0.000 description 2
- 238000009534 blood test Methods 0.000 description 2
- 206010009887 colitis Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 208000030090 Acute Disease Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 206010036774 Proctitis Diseases 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 208000037976 chronic inflammation Diseases 0.000 description 1
- 208000037893 chronic inflammatory disorder Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000001647 drug administration Methods 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000004957 immunoregulator effect Effects 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 210000002429 large intestine Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- KBOPZPXVLCULAV-UHFFFAOYSA-N mesalamine Chemical compound NC1=CC=C(O)C(C(O)=O)=C1 KBOPZPXVLCULAV-UHFFFAOYSA-N 0.000 description 1
- 229960004963 mesalazine Drugs 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 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 description 1
- 229960005205 prednisolone Drugs 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- NCEXYHBECQHGNR-QZQOTICOSA-N sulfasalazine Chemical compound C1=C(O)C(C(=O)O)=CC(\N=N\C=2C=CC(=CC=2)S(=O)(=O)NC=2N=CC=CC=2)=C1 NCEXYHBECQHGNR-QZQOTICOSA-N 0.000 description 1
- 229960001940 sulfasalazine Drugs 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000009747 swallowing Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Description
本発明は、サイタフェレシス（以下、「ＣＡＰ」とも称する）を施行した潰瘍性大腸炎患者の長期治療効果（予後）を予測する方法、それを実行するためのプログラム及びそれを実施するための装置に関する。 The present invention relates to a method for predicting the long-term treatment effect (prognosis) of a patient with ulcerative colitis who has undergone cytapheresis (hereinafter also referred to as “CAP”), a program for executing the method, and a program for implementing the method Relates to the device.
潰瘍性大腸炎は、我が国において急増している難治性の慢性炎症性疾患であり、特定疾患の一つである。潰瘍性大腸炎の病因には、遺伝的因子、環境因子など多因子が関与し、その病態は免疫炎症反応により修飾されているものと考えられているが、詳細は未だ明らかにされていない。
潰瘍性大腸炎の治療は、重症度に合わせて行われ、サラゾスルファピリジンや５−アミノサリチル酸の経口投与、プレドニゾロンの経口投与、更にはアザチオプリンや６−メルカプトプリン等の免疫調整剤との併用療法、重症例には、ステロイドの大量療法等が行われている。しかし、潰瘍性大腸炎は、生涯にわたり再燃と寛解を繰り返す疾患であり、これらの薬物療法のみでは治療抵抗性の難治例が存在することや長期投与による副作用の発現が問題となる。
Ulcerative colitis is an intractable chronic inflammatory disease that is rapidly increasing in Japan, and is one of the specific diseases. The etiology of ulcerative colitis involves multiple factors such as genetic factors and environmental factors, and the pathological condition is thought to be modified by an immune inflammatory reaction, but the details have not yet been clarified.
Treatment of ulcerative colitis is carried out according to the severity, and oral administration of salazosulfapyridine and 5-aminosalicylic acid, oral administration of prednisolone, and combined use with immunomodulators such as azathioprine and 6-mercaptopurine For therapy and severe cases, high-dose steroid therapy is performed. However, ulcerative colitis is a disease that repeats relapse and remission throughout life, and with these drug therapies, there are intractable cases that are resistant to treatment and the occurrence of side effects due to long-term administration becomes a problem.
近年、白血球系細胞を体外循環で膜やビーズを用いて吸着、除去する治療法（サイタフェレシス（ＣＡＰ）が開発され、その有用性が明らかにされている。具体的には、白血球除去療法（ＬＣＡＰ）や顆粒球吸着療法（ＧＣＡＰ）が副作用のない新たな治療法として普及されつつある。しかし、ＣＡＰがどのような機序で病態に作用し、疾患を改善させるかについて詳細は明らかにされていない。それ故、どのような症例に対しＣＡＰの効果が得られのかが明らかでなく、これまでに内視鏡検査所見や血液検査所見などから長期経過を推測する試みが行われてきたが、いずれも有効な予測方法となっていない。結果として、ＣＡＰを施行した患者においても、経過中に手術を要したり、入院を必要としたりとＱＯＬの低下をきたすことが多い。
従って、長期経過を的確に予測し、ＣＡＰ施行の是非や薬剤投与の必要性に関する情報を提供することは、非常に重要な課題であるといえる。
In recent years, a treatment method (cytapheresis (CAP)) that adsorbs and removes leukocyte cells using membranes and beads in extracorporeal circulation has been developed, and its usefulness has been clarified. (LCAP) and granulocyte adsorption therapy (GCAP) are spreading as new therapies without side effects, but it is clear how CAP acts on the pathology and improves the disease. Therefore, it is not clear in what cases the effect of CAP is obtained, and attempts have been made to estimate the long-term course from endoscopic findings and blood test findings. As a result, patients who have undergone CAP often require surgery during the course or require hospitalization, resulting in a decrease in QOL.
Therefore, it can be said that it is a very important issue to accurately predict the long-term course and provide information on the necessity of CAP enforcement and the necessity of drug administration.
ところで、従来、医学研究領域において治療効果の評価解析は、各事象間の関係が線形であると仮定した理論を用いて行われており、例えば多重ロジスティック回帰分析を中心とした線形解析が行われていた。しかしながら、自然界における殆どの事象は直線で表されるような線形関係にはなく、非線形な関係にあるとされ、特に様々な患者背景をもつ個々の患者とその治療効果については非線形な関係が存在することがこれまでに報告され、その評価精度は期待されるほど高くはなかった。 By the way, conventionally, in the medical research field, evaluation analysis of therapeutic effects has been performed using the theory that the relationship between each event is assumed to be linear. For example, linear analysis centering on multiple logistic regression analysis has been performed. It was. However, most events in nature are not in a linear relationship represented by a straight line, but in a non-linear relationship, and there is a non-linear relationship in particular between individual patients with various patient backgrounds and their therapeutic effects. This has been reported so far, and the accuracy of the evaluation was not as high as expected.
一方、最近、ＰＥＧ（経皮的内視鏡下胃瘻造設術）の施行の是非の判断において、ＡＮＮ（人工ニューラルネットワーク）に適用して算出された予後予測式を用いることにより、年齢、性別、脳血管障害の有無、悪性疾患の有無、胃瘻造設前の嚥下性肺炎の有無等の予測因子から、ＰＥＧが施行された後の生存日数、またはＰＥＧが施行された後の嚥下性肺炎の発症の有無を予測できることが報告されている（特許文献１）。
しかしながら、ＡＮＮを用いた解析においても、如何なる予測因子を用いた場合に目的の診断が精度よく行われるか否かは、各事象固有の問題であり、他の疾患について応用できるものではない。
On the other hand, recently, in determining whether to perform PEG (percutaneous endoscopic gastrostomy), by using a prognostic prediction formula calculated by applying to ANN (artificial neural network), age, gender, Predicted factors such as presence or absence of cerebrovascular disorder, presence or absence of malignant disease, presence or absence of swallowing pneumonia before gastrostomy, or onset of dysphagic pneumonia after PEG It has been reported that the presence or absence can be predicted (Patent Document 1).
However, in the analysis using ANN, whether or not the target diagnosis is accurately performed when using any predictive factor is a problem specific to each event, and cannot be applied to other diseases.
本発明は、ＣＡＰを施行した潰瘍性大腸炎患者の長期治療効果（予後）を予測する方法、並びに当該方法を実行するためのプログラム及び装置を提供することに関する。 The present invention relates to a method for predicting a long-term treatment effect (prognosis) of a patient with ulcerative colitis who has performed CAP, and to providing a program and an apparatus for executing the method.
本発明者等は、ＣＡＰを施行した潰瘍性大腸炎患者について、入院歴及び手術歴を含む特定の情報を入力データとし、ＣＡＰ施行後に手術が必要となるか否かを、非線形な関係についても検証可能なＡＮＮ（人工ニューラルネットワーク）に適用して学習させることにより、ＣＡＰを施行した場合における当該患者の長期治療効果を的確に予測できることを見出した。 For the patients with ulcerative colitis who underwent CAP, the present inventors use specific information including hospitalization history and surgery history as input data, and whether or not surgery is required after CAP It has been found that by applying to a verifiable ANN (artificial neural network) and learning, it is possible to accurately predict the long-term treatment effect of the patient when CAP is performed.
すなわち、本発明は以下の１）〜６）に係るものである。
１）潰瘍性大腸炎患者において、サイタフェレシスを施行した場合の予後を予測する方法であって、既にサイタフェレシスを施行した潰瘍性大腸炎患者について、少なくとも入院歴及び手術歴を含む入力因子と、サイタフェレシスを施行後の手術の有無に係る出力因子とを当該人工ニューラルネットワークに適用して学習させる工程、及び、前記入力因子を入力した場合に、人工ニューラルネットワークを動作させることにより、サイタフェレシスを施行した場合における手術の必要性を出力する工程、を含むことを特徴とする、サイタフェレシス施行後の予後予測方法。
２）前記入力データが、更にサイタフェレシス施行後の臨床活動指数及び免疫調整剤の投与計画を含む、上記１）の予後予測方法。
３）前記入力データが、更に年齢、性別、サイタフェレシスに使用した医療機器、罹患範囲、罹病期間、臨床経過による分類、サイタフェレシス施行前の臨床活動指数、及びステロイド剤の服用歴から選ばれる１種以上を含む上記２）の予後予測方法。
４）前記人工ニューラルネットワークを構成するユニットが、シグモイド関数及び／又は動径基底関数を使用したニューロンを使用する、上記１）〜３）の予後予測方法。
５）コンピューターに、上記１）〜４）の各工程を実行させるための、潰瘍性大腸炎患者において、サイタフェレシスを施行した場合の予後を予測するためのプログラム。
６）潰瘍性大腸炎患者において、サイタフェレシスを施行した場合の予後を予測するための装置であって、既にサイタフェレシスを施行した潰瘍性大腸炎患者について、少なくとも入院歴及び手術歴を含む入力因子と、サイタフェレシス施行後の手術の有無に係る出力因子とを記憶したデータベースと、前記因子を人工ニューラルネットワークに適用して算出された予後予測式を記憶する予後予測式記憶部、予後予測式を算出するためのプログラムを記憶した解析プログラム記憶部、前記入力因子が入力され場合に、前記予後予測式を参照して、サイタフェレシスを施行した場合における手術の必要性を出力する処理部、とを備える潰瘍性大腸炎患者の予後予測装置。
That is, the present invention relates to the following 1) to 6).
1) A method for predicting the prognosis of patients with ulcerative colitis who have undergone cytapheresis, including at least hospitalization and surgical history for ulcerative colitis patients who have already undergone cytapheresis And applying the learning to the artificial neural network and the output factor related to the presence or absence of surgery after performing the cytopheresis, and when the input factor is input, by operating the artificial neural network, A method for predicting prognosis after performing cytapheresis, comprising the step of outputting the necessity of surgery when cytapheresis is performed.
2) The prognosis prediction method according to 1) above, wherein the input data further includes a clinical activity index after administration of cytapheresis and an administration plan of an immunomodulator.
3) The input data is further selected from age, gender, medical equipment used for cytapheresis, affected area, disease duration, classification by clinical course, clinical activity index before cytapheresis, and steroid medication history The prognosis prediction method according to 2) above, comprising at least one selected from the above.
4) The prognosis prediction method according to 1) to 3) above, wherein the units constituting the artificial neural network use neurons using a sigmoid function and / or a radial basis function.
5) A program for predicting the prognosis when cytapheresis is performed in a patient with ulcerative colitis, which causes a computer to execute the steps 1) to 4).
6) A device for predicting the prognosis of patients with ulcerative colitis who have undergone cytapheresis, including at least hospitalization history and surgery history for ulcerative colitis patients who have already undergone cytapheresis A database storing input factors and output factors related to the presence or absence of surgery after cytapheresis, a prognosis prediction formula storage unit for storing a prognosis prediction formula calculated by applying the factors to an artificial neural network, and prognosis An analysis program storage unit storing a program for calculating a prediction formula, a process of outputting the necessity of surgery when cytapheresis is performed with reference to the prognosis prediction formula when the input factor is input A prognostic device for a patient with ulcerative colitis.
本発明によれば、ＣＡＰを施行した場合の潰瘍性大腸炎患者の長期治療効果を予測するための予後予測方法、それを実行するプログラム、更にはそれを実施するための装置が提供され、これによれば、ＣＡＰを施行した場合に手術が必要となるか否かを、内視鏡検査所見や血液検査所見などからは不可能であった高い精度で、予測することができ、医師に対して長期的治療の観点から有用な情報を提供することができる。 According to the present invention, a prognosis prediction method for predicting the long-term treatment effect of a patient with ulcerative colitis when CAP is performed, a program for executing the prognosis, and a device for performing the same are provided. According to the above, it is possible to predict whether or not surgery is required when CAP is performed with high accuracy that was impossible from endoscopic findings and blood test findings. Useful information from the viewpoint of long-term treatment.
本発明の、ＣＡＰ施行後の予後予測方法は、潰瘍性大腸炎患者において、ＣＡＰを施行した場合の予後を予測する方法であって、既にＣＡＰを施行した潰瘍性大腸炎患者について、少なくとも入院歴及び手術歴を含む入力因子と、サイタフェレシスを施行後の手術の有無に係る出力因子とを当該人工ニューラルネットワークに適用して学習させる工程、及び、前記入力因子を入力した場合に、人工ニューラルネットワークを動作させることにより、ＣＡＰを施行した場合における手術の必要性を出力する工程を含むものである。
また、本発明のプログラムは、上記の各工程をコンピューターに実行させるためのプログラムである。
The method for predicting prognosis after CAP is performed according to the present invention is a method for predicting prognosis when CAP is performed in patients with ulcerative colitis, and at least hospitalization history for ulcerative colitis patients who have already performed CAP. And an input factor including a history of surgery and an output factor related to the presence or absence of surgery after performing cytapheresis applied to the artificial neural network, and when the input factor is input, an artificial neural network It includes a step of outputting the necessity of surgery when CAP is performed by operating the network.
Moreover, the program of this invention is a program for making a computer perform said each process.
ＣＡＰ（サイタフェレシス）とは、白血球系細胞を体外循環で膜やビーズを用いて吸着、除去する治療法であり、具体的には、顆粒球吸着療法（ＧＣＡＰ）と白血球除去療法（ＬＣＡＰ）とが報告されている。本発明においては、これらの何れの療法でも適用可能であるが、顆粒球吸着療法（ＧＣＡＰ）が好ましい。ＧＣＡＰを施行する吸着機器としては「アダカラムTM」（株式会社ＪＩＭＲＯ）、ＬＣＡＰを施行する吸着機器としては「セルソーバＥ（旭化成クラレメディカル株式会社）」等が挙げられる。 CAP (cytapheresis) is a treatment method in which leukocyte cells are adsorbed and removed by extracorporeal circulation using membranes and beads. Specifically, granulocyte adsorption therapy (GCAP) and leukocyte removal therapy (LCAP) Have been reported. In the present invention, any of these therapies can be applied, but granulocyte adsorption therapy (GCAP) is preferred. “Adacolumn ™ ” (JIMRO Co., Ltd.) is an example of an adsorption device that enforces GCAP, and “Celsorber E (Asahi Kasei Kuraray Medical Co., Ltd.)” is an example of an adsorption device that enforces LCAP.
本発明においては、潰瘍性大腸炎患者に対してＣＡＰを施行した場合における手術の必要性を診断するに先立って、既にＣＡＰを施行した潰瘍性大腸炎患者について、少なくとも入院歴及び手術歴を含む入力因子と、ＣＡＰ施行後の手術の有無に係る出力因子とを人工ニューラルネットワーク（ＡＮＮ：Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）に適用し、係る因子間に存在する関係を学習させる。
ＡＮＮとは、人間の脳による神経学的処理をシミュレートする計算技術に基づいた学習システムであり、従属変数と独立変数の両方が存在するシステムをモデル化する上で有用なものである。ＡＮＮは、入力値と出力値との間に存在する関係をパターン化して学習し、さらに、入力値と出力値との間に存在する新たな関係を認識すればその関係をパターン化して学習することによって、入力値と出力値との間に存在する関係をより精度良くパターン化する（本発明では、この工程を「パターン化フェーズ」と称する）。そして、新たな入力値が入力された場合に、パターン化した関係を参照して、新たに入力された入力値に応じた出力値を回答する（本発明では、この工程を「診断フェーズ」と称する）。
In the present invention, prior to diagnosing the necessity of surgery when CAP is performed on ulcerative colitis patients, at least hospitalization history and surgery history are included for ulcerative colitis patients who have already performed CAP. An input factor and an output factor related to the presence or absence of surgery after CAP are applied to an artificial neural network (ANN) to learn a relationship existing between the factors.
The ANN is a learning system based on a calculation technique that simulates neurological processing by the human brain, and is useful for modeling a system in which both dependent variables and independent variables exist. The ANN learns by patterning the relationship existing between the input value and the output value, and further learns by patterning the relationship if a new relationship existing between the input value and the output value is recognized. Thus, the relationship existing between the input value and the output value is patterned with higher accuracy (in the present invention, this step is referred to as “patterning phase”). Then, when a new input value is input, an output value corresponding to the newly input value is returned with reference to the patterned relationship (in the present invention, this process is referred to as “diagnosis phase”). Called).
本発明において、上記の「入力値」に対応するパラメータを「入力因子」、「出力値」に対応するパラメータを「出力因子」と称する。また、上述のパターン化フェーズにおいて、「既に値が判明している入力値と出力値」を総じて「予測因子」とも称し、上述の診断フェーズにおいて、「新たに入力された入力値と、その入力値に応じた出力値」を総じて「診断因子」とも称する。
本発明において用いられる入力因子及び出力因子は下記表１の通りである。
In the present invention, a parameter corresponding to the “input value” is referred to as an “input factor”, and a parameter corresponding to the “output value” is referred to as an “output factor”. In the above-described patterning phase, “input values and output values whose values are already known” are also collectively referred to as “predictors”. In the above-described diagnosis phase, “newly input input values and input values thereof” The “output value according to the value” is also collectively referred to as “diagnostic factor”.
The input factors and output factors used in the present invention are as shown in Table 1 below.
入力因子のうち、「ＣＡＰに使用した医療機器」としては、ＣＡＰの種類を特定するものであり、例えば「ＧＣＡＰ（顆粒球吸着療法）」か「ＬＣＡＰ（白血球除去療法）」かが入力される。
「罹患範囲」は、大腸における炎症部位を特定するものであり、具体的には、例えば「直腸炎型」、「左側大腸炎型」、「全大腸炎型」又は「特殊型」の何れかが入力される。
「臨床経過による分類」としては、例えば、「再燃緩解型」、「急性激症型」、「初回発作型」、又は「慢性持続型」等が入力される。
「ＣＡＰ施行前の臨床活動指数（Clinical Activity Index）」及び「ＣＡＰ施行後の臨床活動指数（Clinical Activity Index）」において、臨床活動指数とは、臨床症状をもとに患者の状態を数値化した指標である。
「免疫調整剤の投与計画」は、ＣＡＰ施行後に免疫調整剤を使用するか否かを意味し、例えば６−メルカプトプリン、アザチオプリン等の免疫調整剤の投与の有無が入力される。
「入院歴」は、ＣＡＰ施行前における入院治療の経験の有無が入力される。
「手術歴」は、ＣＡＰ施行前における手術の経験の有無が入力される。
Among the input factors, “medical device used for CAP” specifies the type of CAP. For example, “GCAP (granulocyte adsorption therapy)” or “LCAP (leukocyte removal therapy)” is input. .
“Affected range” is to identify an inflammatory site in the large intestine. Specifically, for example, any one of “rectitis type”, “left-side colitis type”, “all colitis type” or “special type” Is entered.
As the “classification by clinical course”, for example, “relapse remission type”, “acute acute disease type”, “first seizure type”, “chronic sustained type”, or the like is input.
In the “Clinical Activity Index” and “Clinical Activity Index”, the clinical activity index is a numerical value of the patient's condition based on clinical symptoms. It is an indicator.
“Immunomodulator administration plan” means whether or not an immunomodulator is used after CAP is performed, and for example, whether or not an immunomodulator such as 6-mercaptopurine or azathioprine is administered is input.
In “Hospital History”, the presence or absence of hospitalization treatment before CAP is entered.
In “Surgery History”, the presence or absence of surgery experience before CAP is entered.
斯かる入力因子のうち、「入院歴」及び「手術歴」は必須データであり、さらに「ＣＡＰ施行後の臨床活動指数(Clinical Activity Index)」及び「免疫調整剤（特に６-メルカプトプリン）投与計画の有無」を含むことが好ましい。 Among such input factors, “hospital history” and “surgery history” are essential data, and “clinical activity index after CAP administration” and “immunoregulatory agent (especially 6-mercaptopurine) administration” It is preferable that “presence / absence of plan” is included.
斯かる入力因子及び出力因子は、予測因子データベースとしてデータベース化されて記憶される。そして、ＡＮＮアルゴリズムを適用したプログラムに基づいて、予測因子データベースに記憶された複数人の患者の予測因子がパターン化される。 Such input factors and output factors are stored in a database as a predictive factor database. Based on a program to which the ANN algorithm is applied, the predictive factors of a plurality of patients stored in the predictive factor database are patterned.
本発明において用いられるＡＮＮの構造は任意に設定することができるが、通常パーセプトロンを層状に繋ぎ合わせた多層パーセプトロン（ＭＬＰ）が採用され、入力層、中間層、出力層がいずれも１層からなる３層型ＡＮＮであるのが一般的である。入力層、中間層及び出力層の各層にはニューロンに相当するユニットが存在し、情報は入力層から中間層を経て出力層へと伝達されネットワークを形成する。中間層のユニット数を増やすことによって、より複雑な関数の近似が可能となる。しかし安易に増やすと過学習が起こり、ＡＮＮは不自然な予測をするようになる。これを避けるためには必要最小限のユニット数を設定する必要がある。中間層のユニット数を決定する普遍的な方法は開発されていないが、ＡＮＮの予測性を評価するテストデータを別に準備することによって予測精度をチェックし、予測誤差が最小となるＡＮＮ構造を選ぶ方法が広く用いられている。使用ソフトウェアでは、ＭＬＰの最適化についてはバックプロパゲーション法、共役勾配降下法、準ニュートン法、Ｌｅｖｅｎｂｅｒｇ−Ｍａｒｑｕａｒｄｔ法、クイックプロパゲーション法、Ｄｅｌｔａ−ｂａｒ−ｄｅｌｔａ法等が頻繁に用いられるが、これらに限定されるものではない。
また、ユニット（ニューロン）において使用される動作関数としては、シグモイド関数の他、ヘビ関数、動径基底関数等を用いることができるが、シグモイド関数を用いるのが好ましい。
The structure of the ANN used in the present invention can be arbitrarily set. Usually, a multilayer perceptron (MLP) in which perceptrons are connected in layers is adopted, and the input layer, the intermediate layer, and the output layer are all composed of one layer. A three-layer ANN is generally used. Units corresponding to neurons exist in each of the input layer, the intermediate layer, and the output layer, and information is transmitted from the input layer to the output layer through the intermediate layer to form a network. More complex functions can be approximated by increasing the number of units in the intermediate layer. However, if it increases easily, overlearning will occur and ANN will make unnatural predictions. In order to avoid this, it is necessary to set the minimum number of units. A universal method for determining the number of units in the intermediate layer has not been developed, but the test accuracy is checked by separately preparing test data for evaluating the predictability of the ANN, and an ANN structure that minimizes the prediction error is selected. The method is widely used. In the software used, the backpropagation method, conjugate gradient descent method, quasi-Newton method, Levenberg-Marquardt method, quick propagation method, Delta-bar-delta method, etc. are frequently used for the optimization of MLP. It is not limited.
In addition to the sigmoid function, a snake function, a radial basis function, or the like can be used as the operation function used in the unit (neuron), but it is preferable to use the sigmoid function.
例えば、中間層と出力層において各ユニットは、前層からの情報を、下記の（１）式によって統合し、（２）式のシグモイド関数を動作関数として次の層へと出力するものが挙げられる。 For example, each unit in the intermediate layer and the output layer integrates information from the previous layer according to the following equation (1) and outputs the sigmoid function of equation (2) to the next layer as an operation function. It is done.
ここで、ｗpqは次層のユニットｑと前層のユニットｐ間の重み、ｘpは前層からの出力である．ｆ（ｙq）は次の層への出力値として伝達される。αはシグモイド関数の勾配であり、この値が大きいほど動作関数の非線形性が増大する。ＡＮＮはｗpq値の最適化を意味する「学習」と呼ばれるプロセスを経て、因子と特性間の非線形な定量関係を近似できるようになる。 Here, w pq is the weight between the unit q of the next layer and the unit p of the previous layer, and x p is the output from the previous layer. f (y q ) is transmitted as an output value to the next layer. α is the slope of the sigmoid function, and the larger the value, the more nonlinear the motion function. The ANN can approximate a non-linear quantitative relationship between factors and characteristics through a process called “learning” which means optimization of the w pq value.
以下、上記のＣＡＰ施行後の予後予測方法を実行するための装置（以下、単に「予後予測装置」と称する。）について、その一実施形態を、図面を参照して詳細に説明する。
図１に、本発明の予後予測装置のハードウェア構成図を示す。
本発明の予後予測装置は、入力部１１、予測因子データベース１２、解析プログラム記憶部１３、予後予測式記憶部１４、表示部１５、処理部１６を含んで構成される。当該予後予測装置は、例えば汎用ＰＣによって構成される場合、入力部１１はキーボード、マウス、テンキーなどの各種入力インタフェースによって実現され、予測因子データベース１２は、ハードディスクドライブ（ＨＤＤ）によって実現され、解析プログラム記憶部１３及び予後予測式記憶部１４はＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）によって実現され、表示部１５はＣＲＴディスプレイ、液晶ディスプレイなどの各種出力デバイスによって実現され、処理部１６は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）によって実現される。入力部１１、予測因子データベース１２、解析プログラム記憶部１３、予後予測式記憶部１４、表示部１５、処理部１６を実現するデバイスは、上述したものに限るものではなく、以下に説明する、各部の機能を実行可能なデバイスを適宜利用することができる。
Hereinafter, an embodiment of an apparatus (hereinafter simply referred to as “prognosis prediction apparatus”) for executing the above-described prognosis prediction method after CAP enforcement will be described in detail with reference to the drawings.
In FIG. 1, the hardware block diagram of the prognosis prediction apparatus of this invention is shown.
The prognosis prediction apparatus of the present invention includes an
まず、解析プログラム記憶部１３には、上述したＡＮＮアルゴリズムが格納されている。予測因子データベース１２には、上述したように既にＣＡＰを施行した潰瘍性大腸炎患者について、少なくとも入院歴及び手術歴を含む入力因子と、ＣＡＰを施行後の手術の有無に係る出力因子が、データベース化されて記憶されている。予測因子データベース１２に予測因子を記憶させる際には、処理部１６は、入力部１１によって装置利用者によって入力操作された数値を患者に対応させて記憶させる。
First, the analysis
処理部１６により、解析プログラム記憶部１３に展開されたＡＮＮアルゴリズムを適用したプログラムに基づいて、予測因子データベース１２に記憶された複数人の患者の予測因子がパターン化される（図２参照）。具体的には、入力層と中間層において各ユニットは、予測因子データベース１２から予測因子が入力層に入力されると（ステップ２１）、入力層からの予測因子を中間層へと出力する（ステップ２２）。続いて中間層と出力層において各ユニットは、中間層からの入力因子を動作関数（予後予測式とも称する）として出力層へと出力する（ステップ２３）。そして、処理部１６は、解析プログラム記憶部１３に展開されたプログラムを実行して、予後予測式を算出すると、該予後予測式を予後予測式記憶部１４に記憶する（ステップ２４）。
Based on the program to which the ANN algorithm developed in the analysis
すなわち、予測因子のパターン化は、予測因子データベース１２に記憶された予測因子を読み出し（ステップ２１）、予後予測式を算出し（ステップ２２、２３）、算出した予後予測式を予後予測式記憶部１４に記憶する（ステップ２４）、という一連の処理によって実行される。 That is, the patterning of the predictor is performed by reading the predictor stored in the predictor database 12 (step 21), calculating the prognosis prediction formula (steps 22 and 23), and using the calculated prognosis prediction formula as the prognosis prediction formula storage unit 14 (step 24).
診断フェーズにおいては、パターン化フェーズにおいて予後予測式を算出する上で参照した入力因子と同一項目の入力因子を入力部１１を操作して入力する。そして、処理部１６は、予後予測式記憶部１４に記憶された予後予測式に、入力部１１によって入力した入力因子を代入して出力因子を算出し、その算出した出力因子を表示部１５によって出力する。ＣＡＰの施行の是非を判断する患者の入力因子を入力し、予後予測式を基に出力因子を算出し、算出した出力因子（ＣＡＰ施行後の手術の有無）が表示部１５に出力される。
In the diagnosis phase, the input factor of the same item as the input factor referred to in calculating the prognosis prediction formula in the patterning phase is input by operating the
以上、本発明の予後予測方法を実施することによって、CAPを施行した場合の手術の必要性を高精度に予測することができる。この結果、患者に対するＣＡＰの施行の是非を判断するに足る充分な予測結果を医師に通知することができる。 As described above, by performing the prognosis prediction method of the present invention, it is possible to accurately predict the necessity of surgery when CAP is performed. As a result, it is possible to notify the doctor of a prediction result sufficient to determine whether or not to perform CAP on the patient.
実施例１ パターン化フェーズの構築
表２に挙げた1〜１２項目を入力因子とし、これらの項目を用いて長期経過としてＣＡＰ施行後に手術に至るか否かを、ＡＮＮを用いてパターン化した。
ＡＮＮは、多層パーセプトロン（ＭＬＰ）、放射状による関数ネットワーク（ＲＢＦ）、及びリニアネットワーク（ＬＩＮ）の３つのタイプを用いている。ＭＬＰは１つの入力層、１つ以上の中間層と、１つの出力層の各層からなり、出力層の中の１つのノードが結果を分類するために使用される。
Example 1 Construction of Patterning Phase Using 1 to 12 items listed in Table 2 as input factors, these items were used to pattern whether or not surgery was performed after CAP was performed as a long-term course using ANN.
ANN uses three types: multilayer perceptron (MLP), radial functional network (RBF), and linear network (LIN). An MLP consists of an input layer, one or more intermediate layers, and an output layer, and one node in the output layer is used to classify the results.
その結果、表３に示す如く、感度（手術になった症例を手術になると予測する確率 = 実際に手術になった症例のうち手術になると予測した症例数/実際に手術になった症例）及び特異度（手術にならなかった症例を手術にならないと予測する確率 = 実際に手術にならなかった症例のうち手術にならないと予測した症例/実際に手術にならなかった症例）において、極めて高い値を得ることができた。 As a result, as shown in Table 3, the sensitivity (probability of predicting a surgical case to be operated = the number of cases predicted to be surgical among cases actually operated / cases actually operated) and Very high value of specificity (probability of predicting non-surgery cases to be non-surgery = case of non-surgery cases that were not expected to be surgery / cases that were not actually surgery) Could get.
実施例２ 感度分析
さらに実施例１の結果をもとに、各因子における予後予測の感度分析を行った。
その結果、「治療前の入院歴」及び「治療前の手術歴」の２項目を除いた場合、さらに「CAP後の臨床活動指数(Clinical Activity Index)」及び「免疫調整剤の投与計画の有無」を加えた４項目を除いた場合、表４に示す如く感度、特異度ともに著しい低下がみられた。
Example 2 Sensitivity Analysis Based on the results of Example 1, a sensitivity analysis for prognosis prediction for each factor was performed.
As a result, when excluding the two items of “hospital history before treatment” and “surgical history before treatment”, the “clinical activity index after CAP” and “presence of administration plan of immunomodulator” When the four items with "" were removed, both sensitivity and specificity were significantly reduced as shown in Table 4.
即ち、「治療前の入院歴」及び「治療前の手術歴」の２項目は、最重要因子であり、その次の重要因子として、「CAP後の臨床活動指数(Clinical Activity Index)」及び「免疫調整剤の投与計画の有無」が挙げられると考えられた。 That is, the two items of “hospital history before treatment” and “surgery history before treatment” are the most important factors, and the next important factors are “Clinical Activity Index after CAP” and “ The presence or absence of an administration plan for an immunomodulator was considered.
１１ 入力部
１２ 予測因子データベース
１３ 解析プログラム記憶部
１４ 予後予測式記憶部
１５ 表示部
１６ 処理部
11
Claims (6)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2010283106A JP5484309B2 (en) | 2010-12-20 | 2010-12-20 | Prognosis prediction method for patients with ulcerative colitis undergoing CAP |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2010283106A JP5484309B2 (en) | 2010-12-20 | 2010-12-20 | Prognosis prediction method for patients with ulcerative colitis undergoing CAP |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2012130408A JP2012130408A (en) | 2012-07-12 |
| JP5484309B2 true JP5484309B2 (en) | 2014-05-07 |
Family
ID=46646763
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2010283106A Expired - Fee Related JP5484309B2 (en) | 2010-12-20 | 2010-12-20 | Prognosis prediction method for patients with ulcerative colitis undergoing CAP |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5484309B2 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021205828A1 (en) * | 2020-04-10 | 2021-10-14 | 国立大学法人 東京大学 | Prognosis prediction device and program |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003122845A (en) * | 2001-10-09 | 2003-04-25 | Shinkichi Himeno | Retrieval system for medical information, and program for carrying out the system |
| JP2008161468A (en) * | 2006-12-28 | 2008-07-17 | Asahi Kasei Kuraray Medical Co Ltd | Method for evaluating arthritis treatment effect in leukocyte removal apparatus |
| JP5280735B2 (en) * | 2008-05-07 | 2013-09-04 | 紀文 日比 | Prognosis prediction device for PEG-treated patients, and prognosis prediction program for PEG-treated patients |
| JP2010200881A (en) * | 2009-03-02 | 2010-09-16 | Shigenari Hozawa | Pancreas cystic disease diagnostic apparatus |
| JP2012064087A (en) * | 2010-09-17 | 2012-03-29 | Keio Gijuku | Diagnostic prediction device of lifestyle related disease, diagnostic prediction method of lifestyle related disease, and program |
-
2010
- 2010-12-20 JP JP2010283106A patent/JP5484309B2/en not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2012130408A (en) | 2012-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kim et al. | A deep learning model for real-time mortality prediction in critically ill children | |
| Li et al. | Electronic health records and polygenic risk scores for predicting disease risk | |
| EP3739596B1 (en) | Clinical predictive analytics system | |
| Celi et al. | A clinical database-driven approach to decision support: Predicting mortality among patients with acute kidney injury | |
| JP2011501276A (en) | Self-improvement methods using online communities to predict health-related outcomes | |
| Wu et al. | Artificial intelligence for clinical decision support in sepsis | |
| Sun et al. | Artificial intelligence in psychiatry research, diagnosis, and therapy | |
| JP7141711B2 (en) | Prognosis prediction system, prognosis prediction program creation device, prognosis prediction device, prognosis prediction method, and prognosis prediction program | |
| Shukur et al. | Involving machine learning techniques in heart disease diagnosis: a performance analysis | |
| US20210241909A1 (en) | Method and a system for evaluating treatment strategies on a virtual model of a patient | |
| Summers et al. | Deep machine learning application to the detection of preclinical neurodegenerative diseases of aging | |
| Rosero et al. | Failure to rescue: a quality indicator for postoperative care | |
| Chung et al. | Identifying prognostic factors and developing accurate outcome predictions for in-hospital cardiac arrest by using artificial neural networks | |
| Gearhart et al. | A primer on artificial intelligence for the paediatric cardiologist | |
| Vandenberk et al. | Successes and challenges of artificial intelligence in cardiology | |
| Huynh et al. | Probabilistic domain-knowledge modeling of disorder pathogenesis for dynamics forecasting of acute onset | |
| Hillis et al. | Use of artificial intelligence in clinical neurology | |
| Kalpana et al. | Prediction of Heart Disease Using Machine Learning | |
| Yoon et al. | Application and Potential of Artificial Intelligence in Heart Failure: Past, Present, and Future | |
| Herrgårdh et al. | Digital twins and hybrid modelling for simulation of physiological variables and stroke risk | |
| JP5484309B2 (en) | Prognosis prediction method for patients with ulcerative colitis undergoing CAP | |
| De et al. | Disease detection system (DDS) using machine learning technique | |
| Shen et al. | Massive external validation of a machine learning algorithm to predict pulmonary embolism in hospitalized patients | |
| Sandeep et al. | Feasibility of Artificial Intelligence its current status, clinical applications, and future direction in cardiovascular disease | |
| Tang et al. | A neural network to pulmonary embolism aided diagnosis with a feature selection approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20130924 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20140127 |
|
| 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: 20140204 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20140218 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5484309 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |