短期的な認知機能データから長期的変化を予測するAIアプリケーション（テスト版）
こちらからWebアプリをご利用いただけます．
このアプリは，Hirakawa et al. （2022, Statistics in Medicine）で提案された，短期的な認知機能データから長期的変化を予測する手法をWebアプリ化したものです．認知機能の経時測定データが格納されているcsvファイルから，疾患進行時間の予測曲線を推定し，曲線のプロットを作成します．
データによっては推定ができないことがありますのでご了承ください．
ご利用ガイド
1. Step1
- 解析するcsvファイルを選択してください．
- csvファイルは以下の変数を格納している必要があります．変数名の指定はありません．
① 個人識別番号（文字/数値型）
② アウトカム測定時点（数値型）
③ アウトカム測定値（数値型）
④ ベースライン時点の年齢（数値型）
⑤ （サブグループ解析を実施するときのみ）サブグループの指示変数（数値型） - Webアプリ上の「Download csv」ボタンからサンプルデータをダウンロードできます．
- こちらからもサンプルデータをダウンロードできます．
2. Step2
- csvファイルに格納している変数から，以下に対応している変数を選択してください．
① 個人識別番号：「Patient identification number (chr/num type):」
② アウトカム測定時点：「Measurement time point (num type):」
③ アウトカム測定値：「Outcome measurement (num type):」
④ ベースライン時点の年齢：「Age at baseline (num type):」
⑤ （サブグループ解析を実施するときのみ）サブグループの指示変数：「If necessary, subgroup indicator variable(num type):」
3. Step3
- 解析に関する情報を入力してください．
① アウトカムの状態が最も悪いときに取る値：「Worst outcome value:」
② アウトカムの状態が最も良いときに取る値：「Best outcome value:」
③ 解析対象とするベースライン時点の年齢の最小値：「Minimum age of patients to be included in the analysis:」
④ 解析対象とするアウトカム測定数の最小値：「Minimum number of patient outcome measurements to be included in the analysis:」
⑤ 微分方程式を解く疾患進行時間の最小値と最大値：「Minimum disease progression time for estimation:」，「Maximum disease progression time for estimation:」
4. Step4
- 出力するプロットのサイズを選択した後に，「Perform analysis on the overall group」または「Perform analysis on each subgroup」を選択するとプロットが出力されます．
- 「Perform analysis on the overall group」を選択した場合，全体集団を対象に解析します．
- 「Perform analysis on each subgroup」を選択した場合，サブグループごとに解析します．
- プロットが出力された後に，「Download individual data」から算出された個人ごとの疾患進行時間データ，「Download estimated curves」から推定した疾患進行予測曲線のデータをダウンロードできます．
- 出力されたプロットは右クリックでコピーまたは名前を付けて保存が可能です．
共同研究募集のご案内
- 当研究室では、短期的な認知機能評価スケールの変化から、
その長期的変化を予測するアルゴリズムを開発しました
（特願2022-084152，Hirakawa et al. （2022, Statistics in Medicine））。 - 開発したアルゴリズムは、どのようなスケールにも適用可能であり、予測したい集団の数年間のデータがあれば、その20～30年の変化を予測することができます。
- ユーザ自身が実施する簡易評価スケールにアルゴリズムを適用することで、個人の認知機能の長期的変化を予測することができ、予測結果に基づき最適な予防情報を提供するなど、効果的なヘルスケア介入が可能となります。
