SHapley Additive exPlanations解析を用いた集中治療室患者の心筋損傷を予測するための解釈可能な機械学習モデル

科学分野:

• クリティカル ケア 医療
• 医療における機械学習
• 心血管研究

背景:

• 集中治療室 (ICU) で心筋損傷の特定は十分に研究されていない.
• 心筋損傷の早期発見は,重症病院での患者のアウトカムにとって極めて重要です.

研究 の 目的:

• 成人ICU患者の心筋損傷を予測するための機械学習モデルを開発し,検証する.
• ICU環境における心筋損傷に関連する主要な臨床変数を特定する.

主な方法:

• 7453人の心臓外科外科患者がICUに入院したレトロスペクティブコホート研究 (2012~2022年).
• 5つの機械学習モデルの開発と比較:ロジスティック回帰,ランダムフォレスト,LASSO,サポートベクトルマシン,XGBoost.
• SHAPLEY ADDITIVE EXPLANATIONS (SHAP) をモデル解釈のために使用した.

主要な成果:

• XGBoostモデルは,0. 779の曲線下面積 (AUC) と0. 781の精度で最高の予測性能を示しました.
• XGBoostモデルによって特定された主要な予測要因には,最大心拍数,呼吸率,体温,最小心拍数,年齢,血輸血が含まれています.
• このモデルでは,心筋損傷患者と心筋損傷患者との差異を (29%対71%の有病率) 区別することが成功しました.

結論:

• XGBoostベースの機械学習モデルは,ICU患者の心筋損傷を予測する大きな可能性を示している.
• このモデルは,臨床的意思決定と心筋損傷の早期発見のための貴重なツールとして機能します.
• この予測ツールを日常のICU実践に統合するために,さらなる研究と臨床検証が必要である.