心臓手術後の集中治療室における動脈圧データの研究活用を最適化する新手法

10月 16, 2026 · 論文解説

🎧 この記事を音声で聴く（AI生成Podcast）

解説対象論文: Leveraging High-Frequency Postoperative ICU Arterial Blood Pressure Data from Electronic Health Records for Research: A Brief Report
Journal of Medical Systems｜被引用数: 0（2026年10月16日時点）

心臓手術後の集中治療室（ICU）における血圧の変動は、対象者の状態を示す重要な指標ですが、その高頻度なデータを臨床研究に活用することはこれまで困難でした。従来のデータ処理方法には限界があり、血圧の連続的な生理学的変動を見過ごす可能性がありました。本記事では、この課題に対処するための画期的な手法を紹介する論文に焦点を当てます。この新しいワークフローは、電子カルテ（EHR）から得られる毎分の動脈圧データを効率的に抽出し、クリーニングし、欠損値を補完することで、研究利用に適した堅牢なデータセットを構築します。これにより、術後の血圧管理と対象者のアウトカムに関する理解を深めることが期待されます。

研究サマリー（FINER & PICO）

Feasible実施可能性	既存の電子カルテシステムから高頻度データを抽出し、再利用可能なデータ処理ワークフローを開発することで、実現可能性が示されています。
Ethical倫理面	本研究は後方視的観察研究であり、ヴァンダービルト大学メディカルセンターの倫理審査委員会の承認を受け、インフォームドコンセントの要件は免除されています。
Interesting面白さ	心臓手術後の血圧変動は臨床的に非常に重要であり、高頻度データを活用した堅牢な分析手法は、対象者のアウトカム改善に役立つため、興味深い研究です。
Novel新規性	毎分の術後ICU動脈圧データを処理するための系統的なデータクリーニングと多段階の多重補完を組み合わせた、新しい方法論を導入しています。
Relevant切実さ	術後の血圧管理と合併症の関連をより正確に評価できるため、対象者の安全と治療成績向上に直接的に貢献する関連性の高い研究です。
Measurable測定可能性	毎分のMAPデータを7つの事前に定義された血圧範囲帯に分類し、各バンドでの滞在時間を分数で定量化しています。
Modifiable派生・改善	開発されたフレームワークは、多様な臨床状況や異なる研究目的にも応用可能であり、補完モデルの変数選択も柔軟に変更できます。
Structured文章構造	データの抽出、クリーニング、多段階の多重補完、および縦断的プロファイルの構築という、系統的かつ厳密なワークフローで構成されています。
PICO / PECO対象・介入・比較・結果	P:心臓手術後のICU入室対象者、I:高頻度術後ICU動脈圧データ（毎分）、C:既存のデータ処理手法、O:臨床研究のための堅牢で偏りの少ない血圧暴露指標の構築

はじめに：なぜ術後血圧データの分析は重要か

どうも、Beyond the Pixelです。心臓手術後の集中治療室（ICU）における血圧の変動は、対象者の状態を示す重要な指標であり、術後の合併症との関連性が指摘されています。しかし、電子カルテ（EHR）から得られる毎分の動脈圧データのような「高頻度データ」を臨床研究に活用することは、これまで多くの課題を伴いました。データにはアーティファクト（ノイズや異常値）が含まれ、また測定の途中で欠損が生じることも少なくありません。これらの課題に対し、従来のデータ処理方法では、血圧の連続的な生理学的変動を見過ごしたり、不正確な仮定に基づいて指標を算出したりする可能性がありました。本記事では、この課題に対処するための画期的な手法を紹介する論文に焦点を当てます。この新しいワークフローは、EHRから得られる毎分の動脈圧データを効率的に抽出し、クリーニングし、欠損値を補完することで、研究利用に適した堅牢なデータセットを構築します。これにより、術後の血圧管理と対象者のアウトカムに関する理解を深めることが期待されます。

従来の血圧データ処理における課題

これまでの研究では、術中や術後の血圧データを活用する際に、いくつかの共通した限界がありました。従来のデータ処理方法は、ラスト・オブザベーション・キャリー・フォワード（LOCF）や線形補間といった厳格な処理に依存する傾向があり、血圧の細かい変動が平滑化され、重要な情報が見過ごされてしまうことがありました。さらに、時間加重平均や特定の閾値以下の滞在時間など、一般的に用いられる暴露指標は、潜在的に不正確な仮定に基づいており、結果に偏りをもたらす可能性がありました。著者らは、既存の研究がどのように血圧データを処理しているかをレビューし、その主要なデータ抽出・処理方法、利点、限界を明らかにしています。

**Table 1.** Table 1 Characteristics and Key Analytical Approaches of Peri operative Blood Pressure Data Extraction and Processing across Research Studies解説: 周術期血圧データ抽出と処理に関する研究における主な分析アプローチとその特性を示した表です。この表は、様々な研究で用いられたデータ抽出プロトコル、アーティファクトクリーニングアルゴリズム、欠損データ戦略、および生データを最終的な暴露指標に変換する方法を比較し、それぞれの利点と限界を詳述しています。

この評価により、既存の手法が血圧変動のダイナミクスを十分に捉えきれていないことが浮き彫りになりました。これらの課題に対処するためには、より高い時間分解能で血圧データを処理し、血圧暴露の変動に関する仮定を最小限に抑える指標と組み合わせた高度な方法論が必要とされています。

新しいデータ処理ワークフローの詳細

著者らは、心臓手術を受けた対象者の術後血圧管理と有害事象との関連を調査する研究のために、この標準化されたワークフローを開発しました。心臓手術の対象者は、術後にICUで持続的かつ侵襲的な血圧モニタリングが実施されるため、高解像度のMAPデータから循環動態パターンを評価する機会があります。

データソースと抽出

研究では、ヴァンダービルト大学メディカルセンター（VUMC）のHealth ITがホストするArchiveVitalデータベースから、毎分の高頻度データが直接ベッドサイドモニターから取得されました。このデータベースから、ICU入室後の最初の24時間における毎分のMAP値が抽出されました。補足的な臨床変数は、Clarity（Epic Systems）およびVUMCが独自に開発したICU DataMartから取得されました。直接的なデータ取得にもかかわらず、動脈ラインの抜去や機能不全、複数の動脈ラインからの値の不一致、一時的なICUからの離室、早期退室、その他の技術的障害により、データの欠損や不正確さが生じることがあります。これらの課題に対処するため、MAPデータの信頼性と完全性を確保するための系統的なデータ前処理ワークフローが実装されました。

系統的なデータクリーニング

データは、VUMC周術期データウェアハウスから構造化照会言語（SQL）を用いて抽出されました。まず、個々の対象者について、術後のMAPデータ収集はICU入室時または麻酔停止時のいずれか遅い方から開始され、ICU退室時または収集開始から24時間後のいずれか早い方で終了しました。生データ収集後、動脈ライン（ARTm）と動脈血圧（ABPm）の値は個別に処理されました。各ソース内で、生理学的にありえないMAP値（30mmHg未満または150mmHg超）は除去されました。同一のソースから1分間に複数の値がある場合、中央値がその分に割り当てられました。また、15分間の期間でMAPに変動がない場合、1つのみが記録されていれば値は保持されましたが、複数の同一値が記録されている場合は、変動がないと判断され欠損値として扱われました。さらに、前後1分間の値から50%を超えて逸脱する孤立した値はアーティファクトとして特定され、除外されました。ARTmとABPmの両方の値が同じタイムスタンプで発生した場合、臨床的実践と現実の意思決定を反映して、より高い値が保持されました。最後に、ARTmとABPmのデータがどちらも利用できないギャップを埋めるために、低頻度の看護フローシートデータが使用されました。この多段階のデータフィルタリングプロセスが、観察された総術後MAPデータポイント数にどのように影響したかが示されています。

**Figure 1.** Fig. 1 Data Cleaning Flowchart. Flowchart illustrating the multi- step data filtering process for Arterial Line (ARTm), Arterial Blood Pressure (ABPm), and Flowsheets source data. The flowchart tracks解説: 動脈ライン（ARTm）、動脈血圧（ABPm）、およびフローシートの各データソースに対する多段階のデータフィルタリングプロセスを示したフローチャートです。このフローチャートは、不自然な値、外れ値、および変動のない読み取りの除外を追跡し、最終的に対象者コホート全体で合計1,313,568分レベルの術後MAPデータポイントが得られたことを示しています。

欠損データへの多重補完

初期クリーニング後、各対象者には、欠損値を含む最大1,440分間の術後MAPデータが存在しました。主要な周術期の共変量（人口統計学的情報、臨床的特性、投薬など静的変数、および毎分の術中・術後MAP測定値などの時系列変数）は、臨床的関連性と確立された文献に基づいて事前に選択されました。データの階層構造を考慮し、著者らは欠損値に対処するために2段階の補完プロトコルを実装しました。まず、対象者レベルの静的変数に対し、連鎖方程式による多重補完（MI）を適用し、5つの補完されたデータセットを生成しました。次に、これらの完全な静的変数を活用し、各データセット内の時系列の縦断的変数を補完するために、ブートストラップを伴う期待値最大化アルゴリズムを組み合わせた補完方法を適用しました。この反復プロセスは、対象者間の観察された関係を利用して、時系列の欠損値を補完しました。これにより、各データセットはさらに10回補完され、最終分析のために合計50の完全に補完されたデータセットが生成されました。この2段階のアプローチは、時間的ダイナミクスと対象者固有の特性の両方を維持し、生理学的パターンを保持しながら、補完の不確実性を完全に表現しました。

縦断的血圧プロファイルの構築

補完後、各対象者にはICU入室後の最初の24時間における毎分の完全なMAPプロファイルが得られました。著者らは、7つの相互排他的なMAP範囲帯を定義しました。具体的には、55mmHg未満、55-59mmHg、60-64mmHg、65-69mmHg、70-74mmHg、75-79mmHg、および80mmHg以上です。主要な暴露指標は、各対象者が各MAPバンド内で過ごした合計分数でした。同様に、術前ベースラインMAP（手術室に入る前の最後の記録値と定義）からの毎分の値のパーセンテージ変化に基づき、副次的な縦断的プロファイルも特徴付けられました。これもまた、7つの相互排他的なバンドに分類されました。

新手法の検証と有効性

多重補完が主要な暴露指標に与える影響を評価するため、著者らは主要な診断指標を調査しました。補完間の分散は最小限であり（0.001未満）、補完内の分散は0.001未満から0.004の範囲でした。MAPバンド全体で、分散の相対的増加（0.015-0.037）と欠損情報の割合（0.015-0.036）は低く維持されました。相対効率の値はすべて1.000に近く、確立された縦断的プロファイルが非常に安定しており、補完の影響を最小限に受けていることを示しています。多重補完プロトコルが現実世界の生理学的変動を反映できるかどうかを検証するため、事後感度分析も実施されました。著者らは、ICU入室後の最初の24時間で欠損データが10%未満の300人のベースライン参照コホートを分離し、240分、360分、480分、600分、720分という人工的な欠損をランダムに導入しました。その後、これらの欠損セグメントは、本研究で導入された方法を用いて再補完され、7つのMAPバンド内の滞在時間のパーセンテージを通じて、分布の一致度が評価されました。この検証により、5つのデータ損失シナリオすべてにおいて、指標間の強い一致が示されました。

**Table 2.** Table 2 Distribution Agreement Between True Observed and Imputed Data Within Longitudinal MAP Profiles Across Five Data Missingness Scenarios (N = 300) MAP Band (mmHg)**解説:** 縦断的なMAPプロファイルにおける真の観察データと補完データ間の分布の一致度を、5つの異なるデータ欠損シナリオ（N=300）にわたって比較した表です。この表は、データ損失の程度が異なる場合でも、補完手法がMAPバンド内の時間の割合をどの程度正確に予測できるかを示しており、補完の有効性を検証しています。

軽度のデータ損失（240分）では、7つのMAPバンド全体での絶対的な分布偏差は0.5%から2.5%の範囲でしたが、極度のデータ損失（720分）でも、偏差は0.8%から3.2%の範囲に留まりました。完全に観察されたデータセグメントを組み込むと、これらの差異は大幅に希薄化され、すべてのグループにおける最大不一致は0.5%から1.5%という無視できる範囲に収まりました。このことは、提案されたワークフローが、データの欠損レベルにかかわらず、MAPプロファイルを正確に再構築できることを強く示唆しています。

研究の強みと今後の展望

本研究で記述されたフレームワークは、高頻度な術後ICU動脈圧データをEHRから研究に活用するための堅牢な方法を提供します。統計的安定性と観察データと補完データ間の分布の一致の検証を通じて、このアプローチが心臓手術対象者の術後ICU MAPの実際のパターンと密接に一致する縦断的プロファイルを効果的に構築できることが実証されました。著者らのワークフローは、欠損データを補完して毎分の連続的なMAPプロファイルを生成することで、臨床的に重要な一時的なエピソードが数学的に平滑化されることなく、より良く捉えられるようにします。また、この毎分のデータが利用可能になることで、研究者はそれぞれの研究目的に合わせて多様な暴露要約やカスタム血圧指標を計算できる運用上の柔軟性が得られます。このフレームワークは、現在心臓手術後のICU動脈圧データに適用されていますが、高頻度血圧データが利用可能であれば、他の臨床状況にも拡張できる可能性があります。さらに、病棟での使用がすでに可能なワイヤレス、バッテリー駆動のバイタルサインモニタリングシステムは、従来間欠的な評価を受けていた対象者に対しても継続的なモニタリングを可能にすることで、この方法の応用範囲をさらに広げるかもしれません。このデータ処理ロジックは、特定の病院ハードウェアや単一のEHRベンダーに依存しないため、多様な臨床データ環境で高い再現性を持つとされます。医療施設がEHRエコシステムに高頻度な生理学的モニタリングデータを統合し続ける中で、このフレームワークは大規模な周術期研究や品質改善イニシアチブを支援し、分析の忠実度を最大化する可能性があります。

研究の限界点

本研究にはいくつかの限界があります。ICUデータの欠損が非無作為で情報を持っている可能性があることが主要な限界の一つです。たとえば、ラインの早期抜去や早期退室はしばしば臨床的安定性を示唆しますが、ラインの機能不全や搬送は通常、より重症の対象者に発生します。著者らの補完プロトコルは、対象者の重症度を捉えるために広範な縦断的共変量を統合していますが、残存する情報性欠損の可能性は残ります。臨床的に情報性のある欠損の根本的な複雑さは、現在のフレームワークでは完全に再現できないかもしれません。さらに、毎分のMAP記録を各バンド内の累積持続時間に要約すると、単一の持続的な低血圧エピソードと複数の孤立した一過性エピソードを区別するような時系列情報が失われる可能性があります。また、このアプローチでは、術後の早期と後期の低血圧を区別せず、これらのMAP変動が血管作動薬の使用中に発生したかどうかを考慮していません。これらの時系列の軌跡を追跡することは臨床的に重要です。したがって、今後の研究では、時系列構造を完全に保存するより高度な暴露指標の開発に焦点を当てるべきです。さらに、堅牢なクリーニングと相互検証にもかかわらず、結果はソースとなるEHRデータの品質に依存しており、系統的な測定誤差は排除できません。

まとめ

本研究は、高頻度ICU MAPデータを処理するための再利用可能なワークフローを提示しました。著者らの手法は、最小限の仮定でデータ抽出、クリーニング、および補完を最適化します。その適応性、汎用性、およびスケーラビリティを考慮すると、このアプローチは、将来の臨床研究や品質改善イニシアチブのために堅牢な暴露指標を構築するための標準化されたフレームワークを提供します。このフレームワークは、医療現場におけるデータ活用の可能性を大きく広げ、対象者の治療成績向上に貢献する未来を拓くものです。

用語集

動脈圧: 心臓から全身に送り出される血液が血管の壁を押す力。
平均動脈圧 (MAP): 心臓の収縮期と拡張期の血圧を平均化した値で、臓器の血流を示す重要な指標。
電子カルテ (EHR): 診療に関する全ての情報を電子的に記録・管理するシステム。
高頻度データ: 毎分など、非常に短い間隔で連続的に測定されるデータ。
データアーティファクト: 測定機器の不具合や対象者の動きなどにより生じる、実際の生理学的状態を反映しない異常なデータ。
多重補完: 欠損したデータを統計的手法を用いて複数回補完し、そのばらつきを考慮して分析する手法。
縦断的プロファイル: 時間の経過に伴う対象者のデータの変化を追跡し、そのパターンを可視化したもの。
ラスト・オブザベーション・キャリー・フォワード (LOCF): 欠損値がある場合、直前の観測値をその欠損値に代入する単純な補完方法。
ICU (集中治療室): 重症対象者に対して集中的な治療と監視が行われる病棟。
パイプライン: データ処理の一連の流れや工程を指す用語。