医療ビッグデータ勉強会 第2回「医療ビッグデータ活用 ー実際に何が出来て、何が出来ないか、具体事例をもとに考えるー」

Kazuya Tanaka / 田中和哉 @kazuyatanaka

医療ビッグデータ勉強会 第2回「医療ビッグデータ活用 ー実際に何が出来て、何が出来ないか、具体事例をもとに考えるー」#mbdata-2

skyteam @skyteam2007

ということで、今日は第２回　医療ビッグデータ勉強会 #mbdata-2に参加しています。会場は渋谷で。講演その１はNHKの石川さんから、その２は国立病院機構の川島さんからそれぞれお話を聞きます。peatix.com/event/71536

ぬ @zennu

今日はここに参加して勉強します。 久々にTwitterでメモしようと思います。 医療ビッグデータ勉強会第2回 peatix.com/event/71536 #mbdata-2

skyteam @skyteam2007

最初に某放送局の石川さんから医療ビッグデータのお話。番組のために行った医療ビッグデータ取材報告と、ビジュアライズの時代など。医療ビッグデータとは⑴これまでと何が違うか？3V　Volume, Variety, Velocityが違うとされてきた。 　#mbdata-2

skyteam @skyteam2007

ヤフーの足立さんによれば３Vの定義は古いのではという指摘があり、これまでと何が違うかというと、全量性(DPCデータ、レセプトデータなどカイシツ性)、非構造化データ(センサー、看護師行動)、分析手法の高度化(機械学習、自然言語分析)など３つの特徴がある。#mbdata-2

ぬ @zennu

医療ビッグデータの特徴とは。①全量性②非構造化データ③分析手法の高度化 データの網羅性とデータ特性、分析手法が違いであって大きさではない。 #mbdata-2

skyteam @skyteam2007

この３つの特徴が医療ビッグデータの本質的な特徴。データの取得方法や、解析方法などで必ずしもサイズが問題ではない。医療ビッグデータは従来の仮説を元に研究デザインに基づいたサンプルデータの収集を行って、解析する方法と異な、まず全部のデータを分析して新しい仮説を作成　#mbdata-2

skyteam @skyteam2007

今までの逆パターンやな。仮説があとになって、研究スタイルが変ってきている。 #mbdata-2

skyteam @skyteam2007

今回は非構造化データと分析手法の高度化についてお話します。具体的には、センサーデータ譲治監視による感染症発症予測、ナースコールデータを活用した看護師は一の最適化、喘息予防など。　#mbdata-2

ぬ @zennu

今までの医学研究との違い。仮説を作って検証する→仮説を作るものへ #mbdata-2

skyteam @skyteam2007

最初のセンサーデータ常時監視による発症予測。オンタリオ工科大学のIBM Artemisプロジェクトの話。NICUの未熟児に興る感染症を従来より早く予測するために、病院の中で心電図や呼吸数、血圧などのずっと監視している。全部記録して解析することで感染症を予測する。#mbdata-2

skyteam @skyteam2007

保育器の赤ん坊を血圧・呼吸数・酸素飽和度などをセンサーをインターネットを介して、中国、カナダ、アメリカのデータを一カ所のデータセンターで集めて、IBMのストリームコンピューティングで、高速に解析してその場その場で異常か正常かを判断している。#mbdata-2

ぬ @zennu

非構造データを可視化することで医療判断の補助になる。 #mbdata-2

skyteam @skyteam2007

国内でも熊本済生会病院では、年間１０９万回のナースコールがならされた。これについて解析したところ、ナースコールによる看護師の配置の適正化が可能になった。単なる通信機にすぎないナースコールに、いつ、どこで、だれが、何のためかのデータを重ね合わせるといろいろ見える　#mbdata-2

矢崎 裕一/Yuichi YAZAKI @yuichy02

医療ビッグデータ勉強会の第二回イベントを朝日新聞メディアラボさんをお借りして開催中。大盛況です。 #mbdata-2 @ 朝日新聞メディアラボ分室 instagram.com/p/y4ICMXBXAp/

拡大

skyteam @skyteam2007

ナースコールは男性の方がはるかに呼ぶとかどういった理由かでが見えてくる。また可視化すると忙しい時間帯とかもわかる、たとえば脳卒中センターでも看護師の体制が昼間は10〜12人居て、夜間は4人しかいない。この部分に対策を考えたりも可能になる。 #mbdata-2

ぬ @zennu

事例②ナースコールデータによる患者行動の分析 通信機器であった、ナースコールデータに、 いつ:時間データ、どこで:病床配置、電子カルテ:電子カルテデータ、何のために:看護記録の4つの既存データを重ね合わせビジュアライズすることで患者行動をデータ化できる。 #mbdata-2

skyteam @skyteam2007

こういったデータを元に、業務改善やサービス向上が可能になるだけでなく、政策提言が可能になり看護必要度の根拠にもなる。消化器内科などではナースコールが多いため、看護必要度が疾患別に対応が可能になったりする。#mbdata-2

skyteam @skyteam2007

アメリカのLouisvilleという町は喘息が住民の１０％くらい居る、吸入ステロイド剤の吸入器を使用するとスマートフォンを使ってデータを集めることが可能になる。これを使って喘息発作を減らそうとした。吸入器の使用した日時、位置情報、天気、風向きを集めた。 #mbdata-2

skyteam @skyteam2007

こういったデータを元に解析した結果をフィードバックを各患者さんに送ることで、リスクなどが減らせるのではないかという患者さん個人の行動をかえたりしようということです。地図上にどこで喘息発作の発生頻度が多い場所がはっきりわかるようになる。 #mbdata-2

ぬ @zennu

事例③喘息患者の行動記録 → 患者自身で行動変化へ/地図上にヒートマップとして活用 citizenibm.com/2012/11/using-… #mbdata-2

skyteam @skyteam2007

マッピングすることで仮説を検証したりもできる。この３つの非構造化データの解析だったが、この他に人工知能による仮説提唱も可能になってきている。#mbdata-2

skyteam @skyteam2007

去年８月にBaylor 医科大学（テキサス州）から、がん抑制遺伝子のp53の道のキナーゼを発見の論文は、過去の膨大な論文を人工知能Watsonにより分析から発表にこぎつけた。#mbdata-2

skyteam @skyteam2007

IBMの人工知能Watsonは主な機能としては「自然言語処理」で、IBM側のチャレンジとして医療側に使われている。第一例目として成功したが、方法は医学論文の文章を集め、文章の表現に注目してp53の新規キナーゼの発見にこぎつけた。#mbdata-2

skyteam @skyteam2007

論文の中にある、特徴(酵素という文字数や出現回数)を数値化して、各論文の近接する距離を算出してった。さらに工夫してbinary tree(２分木)を作成してって、一番頂点になるものと特徴が似ているもの二つわかるもの同士をグループ化していくと明らかになっていった、#mbdata-2