こんにちは、医療とテクノロジーの最前線に関心をお持ちの皆様。今回は、人工知能（AI）が医療現場でどのように応用されているかを示す3つの重要な研究についてご紹介します。これらの研究は、手術室での意思決定支援から脳外傷治療の予測、さらには救急入院リスクの予測まで、幅広い医療領域でAIがどのように実用化されつつあるかを示す優れた例です。
1. 研究と臨床実践の架け橋：手術室での機械学習モデル展開システム
著者: Amin Madani, Spencer Gable-Cook, Jun Ma, Pouria Mashouri他
研究背景
外科的合併症は非常に一般的であり、医療における罹患率、死亡率、コストの最大の原因の一つです。ほとんどの有害事象は予防可能であり、手術時の意思決定に関連しているため、外科チームのパフォーマンス向上を目指す品質改善イニシアチブの必要性が示唆されています。
人工知能（AI）モデルは、外科医にリアルタイムのガイダンスと意思決定支援を提供し、最終的に患者の転帰を改善する能力を示しています。例えば、コンピュータビジョンAIアルゴリズムは、腹腔鏡などの画像誘導手術のライブビデオストリームから推論を行い、手術を支援することができます。
許容可能なベンチマークを達成した多数のAIソリューションにもかかわらず、手術室（OR）への導入は限られています。この採用不足にはいくつかの理由があり、その中には外科ビデオのリアルタイムレンダリングを確保するための高い計算能力の必要性が含まれます（ビデオフレームの処理が85ミリ秒未満で行われる必要がある）。手術室のコンピュータは一般的に、必要な処理時間を達成するための特殊なハードウェアを持っていません。
方法
このプロジェクトは、AIの出力をライブの無菌フィールドモニター（「モニター」）に重ねる完全なパイプラインを実装します。腹腔鏡下胆嚢摘出術（LC）中の解剖のための安全区域と危険区域（緑の「Go」ゾーンと赤の「No-Go」ゾーン）を識別するように訓練された深層学習モデルであるGoNoGoNetを採用しています。
スコープタワーの出力はキャプチャデバイスに送られ、ワークステーションに接続されます。ワークステーションは現在のビデオフレームで推論を実行し、モデル出力と元のフレームを組み合わせ、結果をモニターに送信します。外科医やその他の臨床医はモバイルアプリケーションを使用してシステムと対話します。
ワークステーションは、手術室内のデバイスのフットプリントを最小限に抑えるため、コンパクトな小型フォームファクター15Lケースに構築されています。NVIDIA GeForce RTX 4070 GPUを使用して、ワークステーションがUniversity Health Network（UHN）内でトレーニングされた社内モデルと外部のオープンソースモデルの両方でリアルタイム推論を実行できるようにしています。
外科医への半構造化インタビューに基づき、モデル選択、閾値予測、オーバーレイの色、透明度などのユーザーおよび手順固有の設定をワークステーション上で管理するためのワイヤレスのユーザーフレンドリーな体験を提供するモバイルアプリケーションが開発されました。
結果
システムは、入力フレーム解像度が720x486ピクセルのStorzスコープ（Image 1 Hub）を使用して研究室でテストされました。Epiphan AV.io SDI to USBキャプチャデバイスは、スコープビデオを毎秒60フレームでワークステーションに送信しました。
キャプチャデバイスの出力ビデオ解像度は入力ソースに最も近い解像度（720x480ピクセル）に合わせられ、出力フレームはシステムを通じてモニターの解像度（1920x1080ピクセル）に拡大されました。フレームを処理して表示するまでの平均時間は5.7ミリ秒でした。スコープビデオとモニター上のビデオ出力との間の平均遅延は32ミリ秒でした。このシステムはトロント西部病院での2つのライブLC手術で使用されました。
結論
このプロジェクトは、UHN内のさまざまなチーム間の学際的な取り組みを表しています：UHN AIハブとUHNデータチームのAI科学者、UHN Techna InstituteとUHN Medical Engineeringのエンジニア、UHN組織に所属する外科医などです。
この独自のパートナーシップにより、AIモデルのトレーニング、モデルの推論時間の最適化、ワークステーションとモバイルアプリと対話するためのモデルのインターフェース、スコープビデオとモニターに表示されるビデオ間の遅延を最小限に抑えるためのハードウェアの統合など、AIモデルを実験室から臨床現場に移す全ての側面での専門知識が確保されています。
外科医の日常的なワークフローにシステムを統合する前に、UHN全体のさまざまな手術室でさらなるテストが必要です。
2. 外傷性脳損傷介入予測
著者: Mike Matos
研究背景
北米での鈍的外傷性脳損傷（TBI）は、主に転倒と自動車事故によって引き起こされ、これらの傷害に関連する複雑さと潜在的な長期障害のため、広範な医療リソースを必要とします。レベル1の外傷センターでは、ほとんどのTBI症例は初期には非介入として分類されますが、一部は外科的または侵襲的措置を必要とするように進行し、観察的トリアージの期間を正当化します。
方法
意思決定とリソース利用を強化するために、私たちはExtraTreesClassifierを使用する機械学習モデルを適用し、外傷登録からの200人の非貫通性TBI患者の後方視的コホート研究に基づいて介入の必要性を予測しました。様々な臨床、人口統計学的、画像データを抽出し処理しました。これには、ナラティブCTスキャンレポートに対する単語頻度逆文書頻度（TF-IDF）の使用も含まれます。
結果
モデルは有望な結果を示し、バランスのとれたデータセットではテストでAUC 0.875、精度0.882、F1スコア0.882を示し、臨床現場での潜在性を強調しています。データセットを目標の2,000件に向けて拡大し、500件でCT画像特徴を組み込む計画があり、TBI症例のより良い管理のために予測精度を向上させることを目指して、さらなるパフォーマンス向上を期待しています。
3. 一般診療イベントグラム（GPEGs）：人間が理解可能な電子健康記録表現による救急入院の予測
著者: Benjamin Post, Roman Klapaukh, Stephen J. Brett, Aldo A. Faisal
研究背景
プライマリケア電子健康記録（EHRs）からの救急入院の予測は、主に患者の人口統計、医療履歴、生理学的パラメータなどの特徴を使用してきました。人口の各患者についてこれらの変数をすべて記録することは実用的でも必要でもないため、これらのデータは高レベルの欠損に悩まされています。私たちはこのEHRデータの存在または不在を活用して、プライマリケア活動の新しい時間的概念化を捉えます。
方法
Secure Anonymised Information Linkage（SAIL）データバンクを使用した後方視的観察研究を実施しました。これは数十億の個人ベースの健康記録を含み、ウェールズの人口の80％以上をカバーしています。2016-2017年の間に少なくとも1つの記録されたプライマリケアEHRデータポイントを持つ18-100歳のすべての患者を特定しました。
これらのデータはRead Code Thesaurusに従って整理され、臨床用語が章ごとに整理されています。各Readコードをその章に関連付けることにより、患者の健康記録を研究期間中の章ごとの1日あたりの総Readコードに基づいて12のタイムシリーズチャネルに構造化しました。
このタイムシリーズ活動を視覚化するために、各患者に対して一般診療イベントグラム（GPEG）を作成しました。各チャネルの日々の活動は単一のピクセルとして視覚化され、明るさは活動レベルを示しています。これらのGPEGsは患者の人口統計データと組み合わせて、研究期間終了後3ヶ月以内の救急入院または死亡を予測するために使用されました。
研究人口は90:10の分割を使用してトレーニングコホートとテストコホートに分けられ、2つの予測モデルを比較しました：バニラニューラルネットワーク（VNN）（3つの密度-ドロップアウト層）と畳み込みニューラルネットワーク（CNN）（3つの畳み込みブロック + 3つの密度-ドロップアウト層）。
結果
合計2,118,444人の患者が包含基準を満たし、80,208人の患者が結果基準を満たしました（人口結果率3.8％）。救急入院または死亡を経験した個人は年齢が高く（72歳 [Q1 54, Q3 83] 対 49歳 [Q1 34, Q3 64]）、わずかに女性である可能性が高かった（52.6％ 対 53.7％）。
CNNはすべてのパフォーマンス指標でVNNを上回りました：AUROC 0.81 +/- 0.01 対 0.77 +/- 0.01、リコール 0.69 +/- 0.00 対 0.63 +/- 0.03、AUPRC 0.19 +/- 0.01 対 0.12 +/- 0.02（CNN 対 VNN）。
結論
プライマリケア電子健康記録を多変量時系列データとして新しく概念化し、一般診療イベントグラム（GPEG）にカプセル化しました。この「健康のモールス信号」は、救急入院と死亡の短期リスクを予測するために成功裏に活用することができます。
まとめ：医療現場におけるAIの実用化と未来
これら3つの研究は、AIと機械学習の技術が医療現場でどのように実用化されつつあるかを示す重要な例です。手術室での意思決定支援から脳外傷治療の介入必要性の予測、さらには救急入院リスクの予測まで、AIは医療の幅広い領域で価値ある貢献をしています。
特に注目すべき点は、これらの研究すべてが以下の共通の特徴を持っていることです：
1. 実装の現実性に焦点を当てている：特に手術室の研究では、リアルタイム処理の要件と既存のハードウェア制約に対処するための具体的な解決策が提示されています。
2. 医療従事者との協力：これらのAIシステムは、医療従事者の判断を置き換えるのではなく、より良い意思決定をサポートするツールとして設計されています。
3. データの新しい解釈方法：特にGPEG研究では、既存の医療データを新しい方法で解釈し、有用な洞察を得るアプローチを示しています。
4. スケーラビリティと拡張性：これらの研究は小規模なパイロット研究から始まっていますが、大規模な臨床実装に向けての明確な道筋を示しています。
医療におけるAI実装の課題はまだ多く残されていますが、これらの研究は技術的な課題と臨床的なニーズの両方に対処するための重要なステップを示しています。特に手術室でのリ
- 前ページ
- 次ページ