機械学習ベースの解析による高齢患者におけるせん妄予測および予防の向上

本研究は、機械学習（ML）モデルを用いて、高齢患者の入院後24時間以内のせん妄の予測因子を特定し、その性能を評価することを目的とした。

本前向きコホート研究は、2022年1月から2023年5月まで、オマーンのマスカットにあるスルタン・カブース大学病院の一般内科病棟に入院した65歳以上の患者を対象に実施された。臨床データおよび人口統計学的データを収集し、ロジスティック回帰、ランダムフォレスト、勾配ブースティング、サポートベクターマシンの4つの機械学習（ML）モデルを用いて分析した。モデルの性能は、正解率、適合率、再現率、F1スコア、および受信者動作特性曲線下面積（AUC-ROC）の指標を用いて評価した。モデルの堅牢性を評価するために交差検証を行い、主要な予測因子を特定するために特徴量の重要度分析を実施した。

本研究には計327名の患者が組み入れられた。ランダムフォレストモデルが最高の性能を示し、正解率96.9%、F1スコア97.2%、AUC-ROC 98.4%を達成した。交差検証により、モデルの安定性が確認された。特徴量の重要度分析により、急性腎障害、呼吸不全、認知症、脳卒中、および非代償性心不全が、せん妄の最も影響力のある予測因子として特定された。

機械学習モデル、特にランダムフォレストモデルは、入院後24時間以内にせん妄を発症するリスクのある患者の特定において、高い予測性能を示した。これらの知見は、せん妄の早期検出を強化し、標的を絞った予防戦略を導く上での機械学習の可能性を支持するものである。今後の研究では、異なる医療現場におけるモデルの適用性を確認するため、外部妥当性の検証に焦点を当てるべきである。