結核性硬化症複合体の子供における薬剤耐性を予測するための解釈可能な機械学習アプローチ

科学分野:

• 計算神経科学
• 小児神経学
• 医学における機械学習

背景:

• 結核性硬化症複合体 (TSC) は,に関連した遺伝疾患である.
• 薬剤耐性性 (DRE) は,小児のTSCの管理において重要な課題となっています.
• TSCにおけるDREリスクを予測するツールは,適時な介入に不可欠です.

研究 の 目的:

• TSCの子供のDREリスクを予測するための解釈可能な機械学習 (ML) アルゴリズムを開発し,検証する.
• 小児のTSCにおけるDREの予測モデルの透明性と臨床的有用性を高める.

主な方法:

• TSCに関連したを患った88人の小児患者の臨床データを遡及的に収集した.
• ランダムフォレスト (RF) を含む9つのMLアルゴリズムの適用により,予測モデルを構築する.
• SHAPLEY ADDITIVE EXPLANATIONS (SHAP) を利用して,モデルの解釈性と特性の重要性の分析を行う.

主要な成果:

• RFモデルは,AUC 0.862と特異性 0.930で優れた性能を示した.
• DREの主要な予測要因は,乳児性発作症候群 (IESS) 歴,多焦点EEG放電,多重皮質結核,および多剤性 (≥3ASM) である.
• 10倍クロス検証と決定曲線分析 (DCA) を通じてモデルの性能を検証し,臨床的有用性を確認した.

結論:

• 開発されたRFベースの予測モデルは,DREのリスクが高いTSCの子供の早期発見に役立ちます.
• SHAPによるモデル解釈の改善は,小児TSC患者の個別化された治療決定を容易にする.
• このツールは,TSCにおけるDREリスクを管理する臨床医を支援し,患者のケアを強化します.