2023年6月28日

【疾患xdBMs】肺疾患患者の退院後の自宅回復状態をデジタルバイオマーカーで定量化する

 閲覧ありがとうございます。データサイエンティストの杉尾です。主にデジタルバイオマーカーの開発プラットフォームである(SelfBase)の機能開発や、そこで収集されたデータの解析を担当しております。

 今回は、前回の「【疾患×dBMs】閉塞性睡眠時無呼吸症候群(OSA)を血中酸素飽和度(SpO2)から作成されたデジタルバイオマーカーで評価する」に引き続き、【疾患xdBMs】シリーズとして、「Postdischarge Recovery after Acute Pediatric Lung Disease Can Be Quantified with Digital Biomarkers[1]」を基に、小児呼吸器疾患とデジタルバイオマーカーについて整理しました。

 今回紹介する論文では、「呼吸器疾患で入院した小児患者の退院後の回復期間をデジタルバイオマーカーで計測・解析した結果、回復過程をリアルタイムで把握でき、従来の研究結果と同様の回復期間も確認された。これにより、ウェアラブルデバイスを用いた遠隔モニタリングの有用性が示された」と結論づけています。

研究の背景・課題

 この研究は、小児科で最も一般的な呼吸器疾患について、家庭での回復過程を調査したものです。

 この研究の目的は、質問票とウェアラブルデバイスを用いて、3つの一般的な小児呼吸器疾患の自宅での回復を説明することです(以下の3つ)。

  • 市中肺炎(Community-Acquired Pneumonia、CAP)

  • 就学前喘鳴(Preschool Wheezing、PW)

  • 喘息増悪(Asthma Exacerbation、AE)

 現状では、これら3つの疾患に関わらず、入院中や病院内では疾患の状態や身体の回復に関するデータを多く取得でき、医師たちもそれを迅速に把握できています。しかし、退院後から自宅での完全な回復や社会復帰に至るまでの過程については、ほとんどデータが取得されていません。

 そのため、多くの研究では、市中肺炎(CAP)や就学前喘鳴(PW)などの急性肺疾患に限らず、回復期間を「入院期間」と定義しており、退院後の自宅での回復過程については記述が少ないのです[1,2,3]。このような研究が活発に行われていること自体には意義があると言えます。

 アンケート調査では主観的な回答によるバイアスなどの限界があり、一方で医師による自宅での頻繁な診察は時間や費用がかかり、患者にとっても通院の負担が大きくなるという課題があります。

 そこで本研究では、ウェアラブルデバイスを通じて取得したデジタルバイオマーカーを活用し、退院後の状態を観察しながら、完全な回復に至るまでの過程を把握できないかを検討しています。

研究内容

 本研究は、2018年11月から2020年3月にかけて、Centre of Human Drug Research(CHDR、オランダ、ライデン)と共同でJuliana Children's Hospital(オランダ、ハーグ)で実施されました。

対象者及びスケジュール

 対象者は、ジュリアナ小児病院の小児科病棟に入院した2〜12歳の患者です。

  • CAP(n=30)

  • PW(n=30)

  • AE(n=11)

 患者は入院後できるだけ早く試験に登録され、入院中と退院直後の14日間の回復期間、退院後40日目から10日間をモニタリングされました(図1)。
 

 他には、以下のような条件からデータが処理され、研究対象者は、CAP=19名、PW=21名、AE=11名です。

  • 退院の基準は、夜間の酸素療法への依存がなくなった時点

  • 研究対象疾患以外の慢性疾患の既往歴がある患者は除外

  • 本試験に参加した71名のうち、20名の被験者が子供の不快感により参加直後に脱落し、解析中に除外

    脱落者は、2歳(n = 5)または3歳(n = 6)

図1. 試験スケジュール

デバイスとデータ

  • デバイス

    Withings® Steel HR Smartwatch(Withings, Issyles-Molineux, France)

    Air Next spirometer(NuvoAir, Stockholm, Sweden)

  • データ

    歩数、心拍、睡眠パターン

    アンケート

    既存の呼吸器症状アンケートを小児用にアレンジ

    CAPとPWの被験者とその親に、毎日の終わりにアンケートに答えてもらい、呼吸器症状スコアを決定

    www.karger.com/doi/10.1159/000516328

    体温測定

    CAPとPW

    Asthma Control Diary(ACD)

    AE

    スパイロメーター

    AE

    スパイロメーターは、強制生命維持能力、1秒間の強制呼気量、強制生命維持能力/強制呼気量比を記録するもの

  • その他

    ベースラインと入院の特徴は、患者のカルテから取得

肺コンプライアンス

 肺コンプライアンスとは、一定の圧力をかけた際に肺の容積がどれだけ変化するかを示す指標で、肺の膨らみやすさを評価します。調査したところ、さまざまな定義や計算式が存在しているようです。この研究における肺コンプライアンスは、各被験者の測定値の合計を予測される測定値の合計で割ることで定義され、その結果として肺コンプライアンスの中央値と四分位範囲(IQR)が算出されています。また、肺コンプライアンスは、試験期間、回復期、健康期それぞれで個別に計算されています。

分析内容

評価項目

 本研究の主要評価項目は、身体活動量(歩数)です。しかし、個人間での変動が大きいため、10日間の「健康」期間(15~24日目)のデータに基づいて正規化し、「健康」な身体活動レベルへの復帰を回復の共通点として定義しています。
 「ベースライン」の身体活動量(100%)としては、健康期間中(最低2日間)の平均歩数を使用しました。もし健康期のデータがない場合は、回復期の最後の4日間(最短2日間)の平均歩数を参考値として用いています。
 このように、健常期で2日以上、回復期で2日以上の測定データがある被験者のみを分析対象としました。

症状スコアモデル

 回復の軌跡を可視化するために、一般化線形混合モデルを用いて、3群の呼吸器症状スコアとACD6スコアを別々に当てはめています。異分散性がある場合は、対数変換を行ったり、時間的自己相関を考慮し、時間変数に一次自己回帰を加えたりなどしています(これ以上に詳細な情報は[1]に)。
 尤度比検定、赤池情報量規準(AIC)、決定係数(R2)を確認することにより、モデルの適合性への寄与を評価しています。

身体活動モデル

 身体活動量も同様の方法でモデル化しています。ただし異なる点として、午前6時から午後10時までのデバイス装着時間を、日中の一部非装着によるバイアスを調整するために共変量として含めています。推定平均(95%信頼区間、CI)の身体活動量は、腕時計の装着時間を100%と仮定し、経時的に算出しています。
 さらに、入院期間、酸素飽和度、呼吸数、入院時の心拍数も、回復への影響を評価するための探索的分析として、別途モデルに組み入れています。

その他

心拍数
 日中の平均心拍数(午前6時~午後10時)と夜間の平均心拍数(午前12時~午前5時)を説明変数にし、被験者変数をランダム切片、時間変数や年齢を共変量に加えた一般化線形混合効果モデルでフィッティングしています。

「回復」との関係
 3つの推定回復軌道間の関係を定量化するために、ピアソン相関分析を行い、推定1日平均身体活動量、心拍、症状スコアの間の関係を定量化しています。

ベースラインと入院時の特徴
 表1に示した51人の被験者のうち、39人は健康期の少なくとも2日間、または回復期の最後の4日間の少なくとも2日間、測定を完了しており、モデル化データセットに含めるのに適した被験者となります。

表1. ベースラインと入院時の特徴

肺コンプライアンス
 試験を完了した51名の被験者について、試験期間、回復期、健康期に分けて肺コンプライアンスを測定しました(図2参照)。肺コンプライアンスの中央値は、試験期間中で47%(IQR 33-81%)、回復期間中で68%(IQR 54-91%)、健康期間中で28%(IQR 0-74%)でした。
 年齢と肺コンプライアンスの間に明確な関連は見られませんでした。また、データ欠損が複数日発生している被験者が多数いたことを考慮し、ランダム効果構造によるモデリングを採用しています。このモデリングでは、試験日の完全なデータ欠損と、装着時間を調整した日中の部分的な欠損の両方が考慮されています。

図2. 試験期間中・回復期・健康期の肺コンプライアンスと各指標
左:試験期間中、中央:回復期、右:健康期
X軸:各指標、Y軸:肺コンプライアンス

分析結果

症状スコアモデル

 推定された平均症状スコアは、図3a-cに示しています。

  • CAP患者の平均呼吸器症状スコアは、退院時の11.2(95%CI = 9.7-12.7)から12日目には2.8(95%CI = 1.5-4.1)に減少しました。

  • PW患者の平均呼吸器症状スコアは、退院の10.2(95% CI = 8.8-11.6)から5日目には4.6(95%CI = 3.2-6.0)に減少しました。

  • AE患者には別の質問票が用いられ、退院時のACD6スコアは2.5(95%CI = 1.9-3.1)で、6日目以降に定常状態に達しています(平均0.8、95%CI = 0.1-1.4 )。

身体活動モデル

 図3d-fに、各疾患群の平均身体活動量の推定値を示しています。

  • CAP患者の退院時の身体活動量は、正常値の46%であり、12日後には正常値の100%を達成しました。

  • PW患者の退院時の平均身体活動量は、正常値の約59%であり、5日後には正常値の100%を達成しました。

  • AE患者の退院時の平均身体活動量は、正常時の約48%であり、6日後には正常値の100%を達成しました。

その他

心拍数
 経時的な平均HRの推定値を図3g-iに示す。

  • PW患者の退院時の日中平均HRは、114bpmであったが、5日後には105bpmに減少しました。

  • AE患者の退院時の日中平均HRは、102bpmであったが、6日後には94bpmに安定し、その後は試験終了まで安定したHRを維持しました。

  • CAP患者では、このようなパターンは観察されませんでした。

 夜間HR(図3g~iの点線)は別にモデル化され、同様の傾向を示したようです。

図3. 症状と推定された平均症状スコアの時間的推移
左:CAP、中央:PW、右:AE
X軸:日数、Y軸:各指標

推定された平均症状スコア、身体活動量、心拍数の相関
 モデルで予測された平均症状スコア、身体活動量、夜間HRの相関分析を、推定された回復軌道の関係を定量化するために行われました(図4)。身体活動量は症状スコアと逆相関し、HRは症状スコアと正の相関があることが、3つの疾患群すべてで確認されました。

図4. 平均症状スコア、身体活動量、夜間HRの相関

まとめ

 デジタルデバイスを用いた在宅モニタリングは、将来の有望なツールとして注目されており、特に小児科領域において非侵襲的な測定が有用とされています。遠隔モニタリングの応用例として、患者ごとの診断や疾患の重症度、基礎的な特徴に基づき、回復期間やその経過を予測できる可能性があります。

 この研究では、いくつかの入院時の変数を共変量として導入し、症状スコアや身体活動に基づくモデルを構築しました。先行研究との一致も確認されており[4,5,6]、今後さらに研究が進めば、予想される回復の軌跡から外れた場合にリアルタイムでモニタリングを行い、再入院のリスクを示す警告サインとして役立つ可能性があります。

 ただし、これを実現するには、回復の軌跡に影響を与える複数の共変量を適切に分離するため、大規模かつより完全なデータセットが必要です。現時点では、小児患者を対象とした介入臨床試験では、定期的なフォローアップが行われていますが、客観的な診療データは限られた来院時のみ取得されており、主観的な紙の問診票に依存することも多いです。このようなシステムが、データ収集と解析が自動化され、電子カルテ情報と統合される場合にのみ、標準治療に付加価値をもたらすと考えられます。

 これが実現すれば、治療面では危険な状態が検知された際に介護者へ警告が送られ、再評価や治療計画の見直しが促されることで再入院を防ぐことが可能となります。また、臨床試験や研究の観点からも、研究者はより客観的なデータを得られ、院内でのフォローアップを減らすことができ、被験者の負担軽減にもつながります。さらに、従来の試験デザインよりも疾患や活動の全体像を把握しやすくなるでしょう。

弊社に関して

 弊社では、臨床試験のデジタル化、バイオマーカーの開発に向けたデータ収集・分析基盤をご用意しております。少しでもご興味を持っていただいた方は、お気軽にご連絡ください。

参考文献

[1] Kruizinga, Matthijs D., Allison Moll, Ahnjili Zhuparris, Dimitrios Ziagkos, Frederik E. Stuurman, Marianne Nuijsink, Adam F. Cohen, and Gertjan J. A. Driessen. 2021. “Postdischarge Recovery after Acute Pediatric Lung Disease Can Be Quantified with Digital Biomarkers.” Respiration; International Review of Thoracic Diseases 100 (10): 979–88.
[2] Juvén, Taina, Jussi Mertsola, Matti Waris, Maija Leinonen, and Olli Ruuskanen. 2004. “Clinical Response to Antibiotic Therapy for Community-Acquired Pneumonia.” European Journal of Pediatrics 163 (3): 140–44.
[3] Tan, Tina Q., Edward O. Mason Jr, Ellen R. Wald, William J. Barson, Gordon E. Schutze, John S. Bradley, Laurence B. Givner, Ram Yogev, Kwang Sik Kim, and Sheldon L. Kaplan. 2002. “Clinical Characteristics of Children with Complicated Pneumonia Caused by Streptococcus Pneumoniae.” Pediatrics 110 (1 Pt 1): 1–6.
[4] Ahmed, Syed Zaryab, Anila Jaleel, Kamran Hameed, Farah Ahmed, Hasan Danish, Azhar Chugtai, and Sultan Mustafa. 2015. “Serum Vitamin D Concentration in Asthmatic Children and Its Association with Recovery Time from an Asthma Exacerbation.” Journal of Advances in Medicine and Medical Research, August, 1–10.
[5] Wildhaber, Johannes H., Josué Sznitman, Paul Harpes, Daniel Straub, Alexander Möller, Pavel Basek, and Felix H. Sennhauser. 2007. “Correlation of Spirometry and Symptom Scores in Childhood Asthma and the Usefulness of Curvature Assessment in Expiratory Flow-Volume Curves.” Respiratory Care 52 (12): 1744–52.
[6] Bacharier, Leonard B., Brenda R. Phillips, Robert S. Zeiger, Stanley J. Szefler, Fernando D. Martinez, Robert F. Lemanske Jr, Christine A. Sorkness, et al. 2008. “Episodic Use of an Inhaled Corticosteroid or Leukotriene Receptor Antagonist in Preschool Children with Moderate-to-Severe Intermittent Wheezing.” The Journal of Allergy and Clinical Immunology 122 (6): 1127–35.e8.

2023年6月28日

デジタルバイオマーカー開発
プラットフォーム「SelfBase(セルフベース)」

デジタルバイオマーカー開発プラットフォーム「SelfBase(セルフベース)」

複数のウェアラブルデバイスや医療機器などから取得された連続的かつ長期的なデータを手間なく管理・解析を実現するプラットフォーム。質問紙などと併せたデータ解析も可能です。

SelfBaseをもっと知る

SelfBase モックアップ

最新記事

    【詳細版】医師400名に聞いた、スマートウォッチ活用の実態と可能性の調査

    2025/4/17 08:00

      医療現場で活躍するウェアラブルデバイスとは?種類・機能や活用事例を紹介

      2025/4/2 07:47