脳腫瘍患者におけるモバイルアプリケーションを用いた自己管理遠隔神経学的検査 (NEMO)

モバイルアプリケーション「Iskhaa」は、バーバ原子力研究センター（BARC）の電子部門との協力により開発されます。 このアプリケーションは、Androidバージョン8.0以上と互換性があります。 ソフトウェアは2つのコンポーネントで構成されます - モバイルアプリケーション（患者と医療提供者向け）とデスクトップアプリケーション（医療提供者向け）。 アプリを使用して記録されたデータは、病院ネットワーク経由でアクセス可能な安全な病院サーバーに保存されます。 アプリケーションによって記録されるさまざまな臨床的特徴のサンプルは、付録Aに含まれています。モバイルアプリケーションは最初に英語で開発され、その後3〜6ヶ月以内にアップグレード版でヒンディー語、マラーティー語、ベンガル語に翻訳されます。 事前録画されたビデオを使用して、神経学的検査のために記録される動作を患者が繰り返す際のガイドとします。 そのような指示の例には、発話（患者に固定された文を話すよう求める）、歩行（例：20歩歩行、小脳機能を検査するためのタンデム歩行）、個別の四肢の挙上などが含まれます。 さらに、欧州がん研究治療機構（EORTC）の生活の質コア質問票（QLQ-C30）と脳がんモジュール（BN20）がモバイルアプリケーションで利用可能になります。 記録された症状は安全なデータベースに保存され、研究担当者はモバイルまたはデスクトップアプリケーションを使用してそれらを確認するアクセス権を持ちます。 評価（オンサイトまたはオンサイト）が完了すると、データはタタ記念病院にある中央サイトで電子的に更新され、研究者はリマインダーを受け取ります。 より良いユーザーコンプライアンスのためのアプリケーションインターフェースの改善とソフトウェアアップデートのためのバージョンアップグレードは、必要に応じて定期的に行われます。 アプリケーションインターフェースのサンプルを以下の図に示します。

5歳以上で脳腫瘍の診断があり、6ヶ月以上の予想余命があり、モバイルアプリケーションの指示に従うことができる患者が研究対象としてスクリーニングされます。 適切な書面による同意または承諾書に署名した後、登録されます。 研究の初期段階には、モバイルアプリケーションを使用して症状を評価し、神経学的機能評価のためのビデオを記録する必要がある100人の患者のオンサイト評価が含まれます。 この段階では、アプリケーションは特定の携帯電話（患者の所有ではない）にインストールされます。 評価を実施した後、すべての患者は診療所で責任医師によって評価され、医師は標準的なプロトコルに従います。 モバイルアプリケーションで利用可能な症状と機能評価のすべての側面をカバーする詳細な神経学的検査が実施されます。 オンサイト評価の主な目的は、患者が使用する携帯端末にインストールする前に、社内チームによるアプリケーション使用の技術サポートを提供し、シームレスな移行と使用を可能にすることです。 評価の第二段階には、仮想検査（オフサイト）を実施する500人の患者が含まれます。 研究参加の同意が得られた際に、モバイルアプリケーションは個々の電話にインストールされます。 患者は自宅で月次評価を受ける必要があり、適時の評価実施のためのリマインダーが設定され、評価の遅延が7日間あった場合は電話でリマインダーが送られます。 患者と介護者は、モバイルカメラを使用してビデオを記録およびアップロードできるようになります。 さらに、症状の悪化の場合には、患者は自己評価（未定期的）を受けるように指示されます。 患者は、標準的な施設の慣行に従って3〜6ヶ月ごとに診療所で身体評価のためのフォローアップを継続し、組織学的診断に特化した6〜12ヶ月ごとの画像検査、または神経学的悪化の場合に責任医師が臨床的に決定したように、研究参加に影響されることなく実施されます。

完了したすべてのデータは、研究担当者が取得できるようになります。 症状評価は記述統計として提示され、経時的変化が分析されます。 アプリを使用して記録されたデータは、各診療所受診時の医師による評価と相関されます。 患者が実施し、ビデオ形式で記録されたすべての個別の課題に対して計算分析が実行されます。 神経学的機能（例：歩行と運動）は、畳み込みニューラルネットワーク（CNN）とビジョントランスフォーマー（ViT）を組み合わせたハイブリッドモデルを使用した人工知能アルゴリズムで記録されます。 ビデオデータは、OpenPoseのような高度なポーズ推定ツールを使用して、シルエット、骨格表現、またはポーズキーポイントなどの関連特徴を抽出するための前処理ステップを経ます。 各フレームは、ResNetやEfficientNetなどのCNNバックボーンによって処理され、低レベルの空間的特徴を抽出します。 これらの特徴はその後、ビジョントランスフォーマーモジュールに送られ、一連のフレームにわたるグローバルな時間的依存関係をモデル化し、患者の歩行の堅牢な表現を提供します。 この組み合わせたフレームワークにより、臨床モニタリングに重要な歩行の微妙な異常、異常、または変動の検出が可能になります。 このモデルは、多様な患者集団と臨床シナリオからキャプチャされたビデオデータを使用して訓練および検証されます。 高速映像の細分性を活用することで、このモデルは、アプリケーションの特定のニーズに合わせた歩行分類、異常検出、またはパラメータ回帰などの高精度な出力を提供することを目指します。 強化された時空間分析のための3Dビジョントランスフォーマーなどの最先端技術の統合により、モデルの堅牢性と一般化性が確保されます。 さらに、説明可能なAI（XAI）方法論が組み込まれ、モデルの予測を解釈し、実用的な洞察を提供し、システムへの信頼を促進します。