【目的】
近年、産科の臨床現場において AI を活用した CTG 判読支援が注目されている。本研究は、深層学習を用いた因果探索アルゴリズムを利用し、CTG 波形から抽出した特徴量と新生児の健康状態を示す Apgar Score との因果関係を推論することで、CTG 判読を支援することを目的とする。
【方法】
使用データは、3 万件規模の CTG データを含むデータセットから抽出した。CTG 系特徴量は、日本産婦人学会の診療ガイドラインに基づき、出産の 50 分前から 20 分前までの 30 分間の胎児心拍数の波形から抽出した。因果探索アルゴリズムには、有向非巡回グラフ（DAG）を効率的に探索する、深層学習ベースの Structural Agnostic Modeling（SAM）を用いた。因果効果の推定には、パス解析を用いて、特徴量同士の結びつきの強さを推定した。
【結果】
因果探索の結果、良好な適合度とされる RMSEA が 0.05 未満の因果グラフを複数推定することに成功した。ほぼすべての因果グラフにおいて、基線細変動に関する特徴量が Apgar Score に関係していた。その他の特徴量との組み合わせでは、基線細変動から変動一過性徐脈を経由して、Apgar Score に影響しているものが高い頻度で
現れた。
【考察・結論】
本研究では大規模なＣＴＧデータベースを用いて CTG 系特徴量と Apgar Score の因果関係を推論できることを示した。未知の特徴量間の因果関係に関しては、医学的な検証が必要となるが、産科医による CTG の判読を支援に繋がる可能性を示した。
【倫理的配慮】
本研究は福岡大学医学部に関する倫理委員会（H17-1-07）の承認を得ている。また、本研究における医療情報の使用はすべての患者からインフォームド・コンセントを得ており、関連するガイドラインおよび規則に従って行っている。