[OA-3-5] 回復期脳卒中患者の上肢運動麻痺の予後予測に対するAI予測分析ソフトの有用性の検討
～重症例・中等症例に着目して～
【はじめに】
脳卒中リハビリテーションにおいて，個々の患者に応じた具体的な治療計画の決定のために予後予測は必要不可欠である．近年では，人工知能（Artificial Intelligence：AI）を活用した予後予測の報告も見られており，我々は，AI予測分析ソフトである「Prediction One」（ソニーネットワークコミュニケーションズ株式会社，東京，日本）を用いた脳卒中上肢運動麻痺に対する予測モデルの有用性を検証している．これまでに，回復期脳卒中患者を対象にした退院時Fugl-Meyer Assessment for Upper Extremity（以下，FMA）の数値予測モデルを試作しその精度やバリアンスについて報告したが，対象の多くが軽症例となっており，そのことが精度に影響を与えている可能性があった．今回，これら経験をふまえつつ，重症例，中等症例に着目した予測モデルを試作し，その精度について検証したため報告する．本研究は，所属機関の倫理審査委員会の承認を得ている．
【方法】
対象は2020～2022年度に当院回復期リハビリテーション病棟に入院した脳卒中患者のうち，入院時FMAが重症，および中等症（Woodbury M,2013）であった102名（平均年齢74.6±14歳，男女55/47名，発症からの入院までの平均日数28.6±12.7日）とした．学習用にランダムに割り付けた82名のデータをPrediction Oneに読み込ませFMAの数値予測モデルを作成し，作成したモデルに検証用20名のデータを読み込ませ精度確認を行った．モデルは2つ作成しそれぞれに用いた説明変数は，我々の過去の報告と同様である入院時FMAサブスコアのみ（モデル1），入院時FMAサブスコアに年齢を追加（モデル2），とした．
【結果】
学習用データを用いて作成したモデルの決定係数はそれぞれ，モデル1：0.7160，モデル2：0.7462であった．検証用データを用いた精度確認では，予測値と実測値の中央絶対誤差が，モデル1：10.0（四分位範囲[IQR]=3.9-18.7），モデル2：5.7（IQR=3.4-11.1）であった．
【考察】
先行研究では，重症例の転帰はばらつきが大きく正確な予測は困難（Koh C-L,2015）とされている．本研究で作成した重症例，中等症例に着目したAI予測モデルは，我々が過去に報告した軽症例を含むAI予測モデル（決定係数0.8686，中央絶対誤差3.4[IQR=1.2-7.8]）と比べると誤差値は大きくなり，先行研究同様の傾向を示した．しかし，FMAスコアを用いた従来の予測モデル（Prabhakaran S,2008）で本対象を予測するとその中央絶対誤差は9.6（IQR=5.2-23.4）であり，スコアを取得したタイミングが異なるため単純比較は困難だが，モデル1は同程度，モデル2はそれよりも小さな誤差を示した． AIの一系統である機械学習は大量のデータからパターンを発見し，自動化することで予測・分析が可能である．従来，正確な予測が困難であった重症例，中等症例の予後予測において，FMAサブスコア以外の説明変数を追加することはAI予測モデルの精度改善に寄与する可能性があり，臨床的優位性が期待される．
脳卒中リハビリテーションにおいて，個々の患者に応じた具体的な治療計画の決定のために予後予測は必要不可欠である．近年では，人工知能（Artificial Intelligence：AI）を活用した予後予測の報告も見られており，我々は，AI予測分析ソフトである「Prediction One」（ソニーネットワークコミュニケーションズ株式会社，東京，日本）を用いた脳卒中上肢運動麻痺に対する予測モデルの有用性を検証している．これまでに，回復期脳卒中患者を対象にした退院時Fugl-Meyer Assessment for Upper Extremity（以下，FMA）の数値予測モデルを試作しその精度やバリアンスについて報告したが，対象の多くが軽症例となっており，そのことが精度に影響を与えている可能性があった．今回，これら経験をふまえつつ，重症例，中等症例に着目した予測モデルを試作し，その精度について検証したため報告する．本研究は，所属機関の倫理審査委員会の承認を得ている．
【方法】
対象は2020～2022年度に当院回復期リハビリテーション病棟に入院した脳卒中患者のうち，入院時FMAが重症，および中等症（Woodbury M,2013）であった102名（平均年齢74.6±14歳，男女55/47名，発症からの入院までの平均日数28.6±12.7日）とした．学習用にランダムに割り付けた82名のデータをPrediction Oneに読み込ませFMAの数値予測モデルを作成し，作成したモデルに検証用20名のデータを読み込ませ精度確認を行った．モデルは2つ作成しそれぞれに用いた説明変数は，我々の過去の報告と同様である入院時FMAサブスコアのみ（モデル1），入院時FMAサブスコアに年齢を追加（モデル2），とした．
【結果】
学習用データを用いて作成したモデルの決定係数はそれぞれ，モデル1：0.7160，モデル2：0.7462であった．検証用データを用いた精度確認では，予測値と実測値の中央絶対誤差が，モデル1：10.0（四分位範囲[IQR]=3.9-18.7），モデル2：5.7（IQR=3.4-11.1）であった．
【考察】
先行研究では，重症例の転帰はばらつきが大きく正確な予測は困難（Koh C-L,2015）とされている．本研究で作成した重症例，中等症例に着目したAI予測モデルは，我々が過去に報告した軽症例を含むAI予測モデル（決定係数0.8686，中央絶対誤差3.4[IQR=1.2-7.8]）と比べると誤差値は大きくなり，先行研究同様の傾向を示した．しかし，FMAスコアを用いた従来の予測モデル（Prabhakaran S,2008）で本対象を予測するとその中央絶対誤差は9.6（IQR=5.2-23.4）であり，スコアを取得したタイミングが異なるため単純比較は困難だが，モデル1は同程度，モデル2はそれよりも小さな誤差を示した． AIの一系統である機械学習は大量のデータからパターンを発見し，自動化することで予測・分析が可能である．従来，正確な予測が困難であった重症例，中等症例の予後予測において，FMAサブスコア以外の説明変数を追加することはAI予測モデルの精度改善に寄与する可能性があり，臨床的優位性が期待される．