[論文レビュー] The Past, Current, and Future of Neonatal Intensive Care Units with Artificial Intelligence

Elif Keleş, Ulaş Bağcı|arXiv (Cornell University)|Feb 1, 2023

Neonatal Respiratory Health ResearchMedicine被引用数 3

ひとこと要約

本システマティックレビューは、1996年から2022年までの人工知能（AI）を用いた新生児集中治療科（NICU）分野における106件の研究を統合し、新生児科における古典的機械学習およびディープラーニングの応用を評価している。PRISMA 2020指針に従い、生存予測、神経画像診断、生命徴収モニタリング、新生児網膜症（ROP）の分野におけるAIの分析を通じて、主な手法、課題、およびNICUにおける今後の統合ロードマップを特定した。

ABSTRACT

Machine learning and deep learning are two subsets of artificial intelligence that involve teaching computers to learn and make decisions from any sort of data. Most recent developments in artificial intelligence are coming from deep learning, which has proven revolutionary in almost all fields, from computer vision to health sciences. The effects of deep learning in medicine have changed the conventional ways of clinical application significantly. Although some sub-fields of medicine, such as pediatrics, have been relatively slow in receiving the critical benefits of deep learning, related research in pediatrics has started to accumulate to a significant level, too. Hence, in this paper, we review recently developed machine learning and deep learning-based solutions for neonatology applications. We systematically evaluate the roles of both classical machine learning and deep learning in neonatology applications, define the methodologies, including algorithmic developments, and describe the remaining challenges in the assessment of neonatal diseases by using PRISMA 2020 guidelines. To date, the primary areas of focus in neonatology regarding AI applications have included survival analysis, neuroimaging, analysis of vital parameters and biosignals, and retinopathy of prematurity diagnosis. We have categorically summarized 106 research articles from 1996 to 2022 and discussed their pros and cons, respectively. In this systematic review, we aimed to further enhance the comprehensiveness of the study. We also discuss possible directions for new AI models and the future of neonatology with the rising power of AI, suggesting roadmaps for the integration of AI into neonatal intensive care units.

研究の動機と目的

• 過去30年間にわたり新生児集中治療科（NICU）における機械学習およびディープラーニングの役割を包括的に評価すること。
• 生存予後解析、神経画像診断、バイオシグナル処理、新生児網膜症（ROP）診断を含む新生児科における主要なAI応用を特定・分類すること。
• AI駆動の新生児疾患評価における手法論的進展、アルゴリズム的革新、および残存課題を評価すること。
• PRISMA 2020の証拠に基づくレビュー基準に準拠した、AIを臨床NICUワークフローに統合する構造的ロードマップを提供すること。
• 臨床的翻訳とシステムレベル統合を強調した、新生児科におけるAIの今後の方向性を予測すること。

提案手法

• PRISMA 2020指針に従い、1996年から2022年までの新生児科におけるAIに関する106件の査読済み論文を対象としたシステマティックレビューを実施した。
• 応用分野ごとに研究を分類：生存予後解析、神経画像診断、バイオシグナルおよび生命徴収パラメータ解析、ROP診断。
• 古典的機械学習（例：ランダムフォレスト、SVM）およびディープラーニング（例：CNN、RNN、Transformers）のアルゴリズム的アプローチを、臨床的新生児データに対して評価した。
• データ品質、モデルの解釈可能性、臨床的妥当性に注目し、手法論的強みと限界を統合的に分析した。
• AI技術の新生児ケア分野における進化をマッピングし、研究および実装におけるトレンドとギャップを同定した。
• AIをNICUに統合するための今後のロードマップを提言した。特に相互運用性、リアルタイムモニタリング、臨床意思決定支援の強化に焦点を当てた。

実験結果

リサーチクエスチョン

• RQ1 AIの主な臨床的応用は何か。また、1996年から2022年までの間、どのように進化してきたか。
• RQ2 古典的機械学習とディープラーニングのモデルは、新生児疾患の予測および診断において、性能と臨床的適用性の面でどのように比較されるか。
• RQ3 データ不足、モデルの解釈可能性、一般化可能性といった、AIの新生児ケア分野への導入を制限する手法論的課題は何か。
• RQ4 AIモデルをどのように体系的にNICUワークフローに統合することで、臨床的アウトカムと意思決定を改善できるか。
• RQ5 スケーラブルで現実世界に適用可能なAIの実装を可能にするために、今後の研究の方向性および技術的進歩は何か。

主な発見

• ディープラーニングは神経画像診断および新生児網膜症（ROP）の検出分野で顕著な進歩を遂げており、一部のモデルはROPスクリーニングで90％以上の正確度を達成している。
• 生命徴収およびバイオシグナル解析のためのAIモデルは、敗血症や無呼吸の予測において有望な結果を示しているが、大規模かつ多様なコhortでの臨床的妥当性は依然として限られている。
• マルチモodalデータを統合した機械学習を用いた生存予後予測モデルは、従来のスコアリングシステムを上回るリスク分類の精度を示している。
• 進展は見られるものの、データ品質、モデルの解釈可能性、および前向き臨床試験の不足が、NICUにおける広範な採用を妨げている。
• AIのNICUへの統合はまだ初期段階にあり、大多数の研究が概念実証にとどまっている。リアルタイムかつスケーラブルな展開は、今後の主要な課題のままである。
• 今後のAI開発は、説明可能なAI、データプライバシーを考慮したフェデレーテッドラーニング、および標準化されたベンチマークの整備に重点を置くべきであり、臨床的信頼性と規制適合性を確保する必要がある。