臨床整形外科58巻12号

2023年12月発行

論述

機械学習モデルを用いた手根管開放術後の電気生理学的重症度とCTSI-JSSHの変化予測の試み

著者： 金谷貴子¹ 高瀬史明¹ 乾淳幸²

所属機関： ¹神戸労災病院整形外科 ²神戸大学医学部附属病院整形外科

ページ範囲：P.1493 - P.1497

背景：機械学習(ML)にて手根管症候群術後変化を予測した．対象と方法：術前の年齢，性別，運動神経終末潜時，感覚神経伝導速度，CTSI(carpal tunnel syndrome instrument)の日本手外科学会版を説明変数として，術後1年の電気生理学的重症度(Stage 1〜5)，CTSI変化量を予測した．結果：二値分類モデル(Stage 1〜3 or 4〜5への変化予測)での正答率／AUCはLogistic回帰；0.81/0.84，Random forest；0.83/0.86，LightGBM；0.87/0.86であり，CTSI変化量予測回帰モデルでR2＝0.68であった．電気生理学的重症度予測モデルでR2＝0.24であった．まとめ：ML応用の可能性を示した．

参考文献

1）金谷貴子，藤岡宏幸，山崎京子・他．手根管症候群における短母指外転筋終末潜時と感覚神経伝導速度の関係について．末梢神経2006；17(2)：280-2．

2）金谷貴子，藤岡宏幸，黒坂昌弘・他．手根管開放術後における電気生理学的回復について．末梢神経2007；18(2)：225-7．

3）金谷貴子，藤岡宏幸，黒坂昌弘・他．手根管開放術後における電気生理学的回復および臨床症状改善との関連について．臨整外2011；46(7)：637-41．

4）Kanatani T, Nagura I, Kurosaka M, et al. Electrophysiological assessment of carpal tunnel syndrome in elderly patients:one-year follow-up study. J Hand Surg Am 2014;39(11):2188-91.

5）日本手外科学会．手の機能評価表 第4版．名古屋：日本手の外科学会；2006．p.14-5．　http://www.jssh.or.jp/doctor/jp/publication/kinouhyouka4th.html(2023年5月2日アクセス)

6）Kanatani T, Harada Y, Nagura I, et al. Evaluation of carpal tunnel release outcomes by the Japanese version of the carpal tunnel syndrome questionnaire compared to an electrophysiological severity grade. J Orthop Sci 2021;26(6):1004-7.

7）Fajardo M, Kim SH, Szabo RM. Incidence of carpal tunnel release:trends and implications within the United States ambulatory care setting. J Hand Surg Am 2012;37(8):1599-605.

8）Phalen GS. The carpal-tunnel syndrome:clinical evaluation of 598 hands. Clin Orthop Relat Res 1972;83:29-40.

9）Bickel KD. Carpal tunnel syndrome. J Hand Surg Am 2010;35(1):147-52.

10）Nagaoka M, Nagao S, Matsuzaki H. Endoscopic release for carpal tunnel syndrome accompanied by thenar muscle atrophy. Arthroscopy 2004;20(8):848-50.

11）Pimentel BFR, Faloppa F, Tamaoki MJS, et al. Effectiveness of ultrasonography and nerve conduction studies in the diagnosing of carpal tunnel syndrome:clinical trial on accuracy. BMC Musculoskelet Disord 2018;19(1):115. doi:10.1186/s12891-018-2036-4.

12）Tsamis KI, Kontogiannis P, Gourgiotis I, et al. Automatic electrodiagnosis of carpal tunnel syndrome using machine learning. Bioengineering (Basel) 2021;8(11):181. doi:10.3390/bioengineering8110181.

13）Harrison CJ, Geoghegan L, Sidey-Gibbons CJ, et al. Developing machine learning algorithms to support patient-centered, value-based carpal tunnel decompression surgery. Plast Reconstr Surg Glob Open 2022;10(4):e4279. doi:10.1097/GOX.0000000000004279.

14）Elseddik M, Mostafa RR, Elashry A, et al. Predicting CTS diagnosis and prognosis based on machine learning techniques. Diagnostics (Basel) 2023;13(3):492. doi:10.3390/diagnostics13030492.

15）Park D, Kim BH, Lee SE, et al. Machine learning-based approach for disease severity classification of carpal tunnel syndrome. Sci Rep 2021;11(1):17464. doi:10.1038/s41598-021-97043-7.

16）Itsubo T, Uchiyama S, Momose T, et al. Electrophysiological responsiveness and quality of life (QuickDASH, CTSI) evaluation of surgically treated carpal tunnel syndrome. J Orthop Sci 2009;14(1):17-23.