冠動脈バイパス移植後の術後の妄想に対するベイジアンネットワークベースの予測モデル

科学分野:

• コンピューター生物学と医学
• 医療における人工知能
• 臨床情報学

背景:

• 術後の妄想は,冠動脈バイパス移植 (CABG) の後の頻繁な合併症です.
• 妄想リスクの正確な予測は,適切な介入と患者の改善のために不可欠です.
• 既存の予測モデルには 解釈能力や確固たる検証能力が欠けています

研究 の 目的:

• CABG患者の術後の妄想を予測するためのベイジアンネットワーク (BN) モデルを開発し,検証する.
• 既知の機械学習アルゴリズムに対して BN モデルの予測性能を評価する.
• 確率的グラフィカルモデルを使って 妄想の予測の解釈性を高める.

主な方法:

• MIMIC-IVとeICU-CRDのデータベースからモデルトレーニング,内部および外部検証のためのデータを使用しました.
• BNモデルのMax-Min Hill-Climbingアルゴリズムを使用して,指向されたアサイクルグラフを構築した.
• 受信機操作特性曲線下の面積 (AUROC) を使用してモデルの性能を評価し,ロジスティック回帰とLightGBMと比較した.

主要な成果:

• 14のノードと22の指向されたエッジを含むBNモデルは,AUROC 0.79 (内部) と 0.72 (外部検証) を達成した.
• 特定された主要な予測要因には,リッチモンド興奮鎮静スケールと連続器官不全評価スコアが含まれています.
• 検証されたBNモデルに基づいて,ユーザーフレンドリーなShinyプラットフォームアプリケーションが開発されました.

結論:

• CABG患者における術後の妄想を予測するための堅牢で解釈可能なベイジアンネットワークモデルが開発されました.
• BNモデルは,高リスク患者を特定する際に臨床適用の大きな可能性を示しています.
• このアプローチは心臓手術後の妄想を 積極的に管理するための貴重なツールです