[OJ-3-1] ニューラルネットワーク解析を用いたBPSD陽性症状と陰性症状の出現予測モデルの作成
【背景】介護者は認知症者が期待した行動をしたときの喜びと，期待した行動を裏切られたときの残念さに「認知的不協和」（Festinger L et al,1957）を感じる．この状態は不快感情と緊張状態を生じ，介護負担感を増加させる．認知的不協和の改善には，介護者が認知症者のありのままの行動を受容し，残念さを消去することが肝要である．そのためには，認知症者の行動，特に介護負担感を増加させる精神・行動障害（BPSD）の出現を前知することは極めて重要である．BPSDは身体，認知的要素が影響し合い発現するとされる一方で（Suzuki T et al,2003; Benetti G et al,1998），行動学では，行動パターンが行動の予測に重要とされている（矢口，2009）．つまり，行動パターン，身体，認知の要素をデータに包含すれば，BPSD発現の予測モデルができる可能性は高い．本研究は，行動パターン，身体，認知的要素を包含したデータセットをニューラルネットワーク（NN）に投入し，BPSD陽性・陰性症状発現の予測モデルを作成，モデルに寄与する重要要素を示すことを目的とする．
【方法】対象は，認知症対応の通所リハビリテーション利用の96名である．認知症者の行動と身体機能の評価はユビキタスウェアを使用し，位置情報，歩数，運動量，運動強度，消費カロリーを出力した．一方，認知機能は精神機能障害評価スケール（MENFIS）で評価した．分析方法はBPSDの陽性・陰性の有無を従属変数，先行研究（第56回日本作業療法学会）で認知症者の位置情報を分類した常同型・確認型・無動型の３つの行動パターンを行動要素，歩数・運動量・運動強度・消費カロリーを身体要素，MENFIS下位項目の認知機能・動機付け・情動機能を認知要素としたデータセットを作成しNNに投入した．NNに用いた階層パーセプトロンは，入力層，中間層，出力層の3層構造で，入力層には，行動パターン，身体，認知の変数で構成されたデータセットを入力，中間層はノードを可変させて複数の学習モデルを作成，総合評価指標のF-Measureが最も高いモデルのノード数を採用した．出力層では，BPSD陽性・陰性の有無を出力し，さらに，予測モデルの重要要素を確認した．作成したモデルの精度評価には，K-fold交差検証でAccuracy（正解率），Precision（適合率），Recall（再現率），F-Measureスコアを算出し評価に使用した．なお，NN解析にはSPSS statistics 28.0を用いた．本研究は筆頭著者所属の倫理委員会の承認を得ている．
【結果】NNのハイパーパラメータは，BPSD陽性では，入力層のユニット数10，中間層の活性化関数はtanh関数を用い，隠れ層1，ユニット数4，出力層の活性化関数はsoftmax関数を用い，出力数2であった．陽性症状を予測する重要要素は，感情機能（100.0%），認知機能（76.8%），常同型行動パターン（46.2%）で，K-fold交差検証のスコアはAccuracy68.6%，Precision67.8%，Recall62.7%，F-Measure60.3であった．一方，陰性のハイパーパラメータは，入力層のユニット数10，中間層の活性化関数はtanh関数を用い，隠れ層１，ユニット数4，出力層の活性化関数はsoftmax関数を用い，出力数2であった．BPSD陰性症状を予測する重要要素は，歩数（100.0%），無動型行動パターン（74.6%），感情機能（62.3%）で，K-fold交差検証のスコアはAccuracy70.9%，Precision70.9%，Recall70.5%，F-Measure70.4であった．
【考察】NN解析では，BPSD陽性・陰性とも身体，認知的要素と行動パターンを重要要素とした．識者の先入観を除き，既存の枠組みに囚われない分析をするNN解析で作成された予測モデルのアルゴリズムは，既知の要素に加え，新たに行動パターンの重要性を示したと考えられる．
【方法】対象は，認知症対応の通所リハビリテーション利用の96名である．認知症者の行動と身体機能の評価はユビキタスウェアを使用し，位置情報，歩数，運動量，運動強度，消費カロリーを出力した．一方，認知機能は精神機能障害評価スケール（MENFIS）で評価した．分析方法はBPSDの陽性・陰性の有無を従属変数，先行研究（第56回日本作業療法学会）で認知症者の位置情報を分類した常同型・確認型・無動型の３つの行動パターンを行動要素，歩数・運動量・運動強度・消費カロリーを身体要素，MENFIS下位項目の認知機能・動機付け・情動機能を認知要素としたデータセットを作成しNNに投入した．NNに用いた階層パーセプトロンは，入力層，中間層，出力層の3層構造で，入力層には，行動パターン，身体，認知の変数で構成されたデータセットを入力，中間層はノードを可変させて複数の学習モデルを作成，総合評価指標のF-Measureが最も高いモデルのノード数を採用した．出力層では，BPSD陽性・陰性の有無を出力し，さらに，予測モデルの重要要素を確認した．作成したモデルの精度評価には，K-fold交差検証でAccuracy（正解率），Precision（適合率），Recall（再現率），F-Measureスコアを算出し評価に使用した．なお，NN解析にはSPSS statistics 28.0を用いた．本研究は筆頭著者所属の倫理委員会の承認を得ている．
【結果】NNのハイパーパラメータは，BPSD陽性では，入力層のユニット数10，中間層の活性化関数はtanh関数を用い，隠れ層1，ユニット数4，出力層の活性化関数はsoftmax関数を用い，出力数2であった．陽性症状を予測する重要要素は，感情機能（100.0%），認知機能（76.8%），常同型行動パターン（46.2%）で，K-fold交差検証のスコアはAccuracy68.6%，Precision67.8%，Recall62.7%，F-Measure60.3であった．一方，陰性のハイパーパラメータは，入力層のユニット数10，中間層の活性化関数はtanh関数を用い，隠れ層１，ユニット数4，出力層の活性化関数はsoftmax関数を用い，出力数2であった．BPSD陰性症状を予測する重要要素は，歩数（100.0%），無動型行動パターン（74.6%），感情機能（62.3%）で，K-fold交差検証のスコアはAccuracy70.9%，Precision70.9%，Recall70.5%，F-Measure70.4であった．
【考察】NN解析では，BPSD陽性・陰性とも身体，認知的要素と行動パターンを重要要素とした．識者の先入観を除き，既存の枠組みに囚われない分析をするNN解析で作成された予測モデルのアルゴリズムは，既知の要素に加え，新たに行動パターンの重要性を示したと考えられる．