入院中の高齢患者におけるフレイル識別のための機械学習の適用

フレイル患者の早期特定と早期の介入治療は、フレイルに関連する医療負担を最小限に抑えることができます。本研究では、急病で入院した高齢者のフレイルを検出するための機械学習（ML）の活用について検討しました。

2012年から2022年の間に台中榮民總醫院（Taichung Veterans General Hospital）の老年医学病棟に入院した患者を登録した。フレイルの予測に向けて、ロジスティック回帰、ランダムフォレスト（RF）、Extreme Gradient Boosting、サポートベクターマシン（SVM）の4つの機械学習（ML）モデルを比較した。特徴量ウィンドウおよび予測ウィンドウは、入院前の半年間に設定した。さらに、ドメイン、特徴量、個人の側面を含むさまざまなレベルでモデルを解釈するため、Shapley Additive Explanationsプロットおよび部分依存プロットを用いてFriedのフレイル表現型を特定した。

3367人の患者を登録した。そのうち2843人がフレイルであった。予測モデルの学習には21の特徴量を用いた。テストした4つのアルゴリズムのうち、SVMが最高のAUROC、適合率、およびF1スコア（それぞれ78.05%、94.53%、82.10%）を示した。21の特徴量のうち、絶対値に基づき、年齢、性別、マルチモビディティ・フレイル指数、トリアージ、ヘモグロビン、好中球比率、推算糸球体ろ過量、血中尿素窒素、およびカリウムがより影響力の強い因子として特定された。

本研究の結果により、病院の臨床データシステムから容易に取得可能な一部のパラメータを用いて、教師あり機械学習法により、入院中の高齢患者におけるフレイルを予測できることが示された。