CIGNN: 因果関係とグラフニューラルネットワークに基づく袖なし連続血圧推定フレームワーク

背景紹介

世界保健機関（WHO）のデータによると、世界中で約11.3億人が高血圧に影響を受けており、2025年にはこの数字が15億に増加すると予想されています。高血圧は心臓病や脳卒中などの心血管疾患の重要な危険因子であり、これらは世界の主要な死亡原因です。高血圧の普及は、認知症や障害の負担も増加させているため、高血圧の予防と管理は世界の健康結果を改善するために至関重要です。

連続血圧（BP）測定は、高血圧の診断と予防に豊富な情報を提供します。連続的に血圧を監視することで、患者の血圧パターンや傾向をより詳細に把握でき、治療の要否や現在の治療法の調整が必要かどうかを示すことができます。さらに、連続血圧モニタリングは、ストレス、体力活動、および薬の順守などの要因に影響を受ける可能性がある従来の断続的な血圧測定に比べて多くの利点があります。袖なし連続血圧測定は、ウェアラブル生理センサーの利点を利用し、非侵襲的、便利で連続的な監視を実現します。したがって、袖なし血圧推定モデルは広く注目されています。

既存の袖なし血圧推定モデルは、主に知識駆動型とデータ駆動型の方法に分類されます。知識駆動型のモデルは、脈波伝播時間（Pulse Transit Time, PTT）やMoens-Korteweg（M-K）方程式に基づく生理モデルなど、心血管システムの専門知識に依存します。しかし、これらのモデルは通常、いくつかの仮定に基づいており、必ずしも実際に当てはまるとは限りません。もう一つのデータ駆動型モデルは、データから血圧関連情報と血圧との関係を学習することにより、これらのモデルは大量の高品質データに依存し、運動アーチファクトや環境ノイズの影響を受ける可能性があります。

現在、多くの知識駆動型またはデータ駆動型の方法に焦点を当てた研究は、ウェアラブル特性と血圧変化との因果関係を無視しています。因果関係は、袖なし血圧推定方法の解釈可能性、堅牢性、および汎用性を向上させ、潜在的な生理メカニズムを識別するのに役立ちます。

研究出典

本稿はLei Liu、Huiqi Lu、Maxine Whelan、Yifan Chen、およびXiaorong Dingによって執筆されました。この研究は四川科技計画（2021YFH0179）と中国国家自然科学基金（82102178）の一部資金提供を受けています。Huiqi Luはまた、英国王立工学アカデミーDaphne Jackson Trust Fellowship Grant、EPSRC Healthcare Technologies Challenge Award、およびWellcome Trustの資金提供も受けています。この論文は2024年5月のIEEE Journal of Biomedical and Health Informaticsに掲載されています。

研究プロセス紹介

本稿では、因果関係とグラフニューラルネットワーク（Graph Neural Network, GNN）をシームレスに結合し、袖なし連続血圧推定のための2段階のフレームワークCIGNNを提案しています。

第1段階：因果グラフ生成

第一段階では、研究者は因果推論の視点から、血圧（BP）とウェアラブル特性を含む因果グラフを生成し、BP変化と因果関係のある特性を識別します。この段階の革新性は、従来の脈波伝播時間（PTT）を超えて、血圧変化とより密接に関連する他の因果特性を識別した点にあります。

具体的には、本稿では高速因果推論（Fast Causal Inference, FCI）アルゴリズムを使用して初期因果グラフを生成し、因果生成ネットワーク（Causal Generative Neural Networks, CGNN）アルゴリズムを使用して初期因果グラフを方向付けおよび修正します。これらの因果推論アルゴリズムを使用して、提案された因果グラフはBPとウェアラブル特性との因果関係を明らかにできます。

第2段階：時空間グラフニューラルネットワーク

第二段階では、研究者は第一段階で得られた因果グラフを利用し、時空間グラフニューラルネットワーク（Spatio-Temporal Graph Neural Network, STGNN）モデルを使用して、因果グラフの空間情報と心臓信号の時間情報を学習し、精度の高い袖なし連続血圧推定を実現します。

研究者は3つのデータセットを使用し、計305名の被験者（うち102名は高血圧患者）を対象とし、異なる年齢層と血圧レベルの対象者を含めました。研究結果は、収縮期血圧（SBP）と拡張期血圧（DBP）の推定において、CIGNN方法の平均絶対差（MAD）がそれぞれ3.77 mmHgと2.52 mmHgであり、他の比較方法よりも優れていることを示しています。

研究結果

1. 因果グラフ生成    - 初期因果グラフはFCIアルゴリズムによって生成され、一部の辺の方向は未確定でした。    - CGNNアルゴリズムは初期因果グラフを修正し、すべての辺の方向を明確にし、一部の誤った辺を排除しました。

2. 因果特性分析    - 因果グラフで、AAとPTT特性は単独のPTTよりも強い作用を示し、因果グラフの合理性を検証しました。

3. 血圧推定性能評価    - CIGNN方法は複数の評価指標で優れた性能を発揮し、推定誤差が他の基準方法よりも著しく低かったです。    - 異なる年齢層や高血圧患者の推定でも高い堅牢性と精度を示しました。

結論と価値

この研究は因果関係を導入することにより、袖なし連続血圧推定の精度を大幅に向上させました。具体的には以下の通りです：

1. 科学的価値    - BPとウェアラブル特性の因果関係を明らかにすることで、袖なし血圧推定方法の解釈可能性を向上させました。

2. 応用価値    - 多様な条件下で優れた推定性能を示す袖なし血圧推定方法を提供し、高血圧の早期診断と防治に役立ちます。

3. 研究ハイライト    - 因果推論とGNNを組み合わせた新たな方法を使用し、袖なし血圧推定に新しい視点を提供しました。

将来的な研究では、生理的知識をさらに統合し、より多くの潜在的な因果関係を明らかにし、より多くの臨床応用に適用する予定です。この研究は袖なし連続血圧モニタリング技術の進展を促進するとともに、高血圧の予防と治療に新たなツールや方法を提供します。