IBDの重症治療におけるランダムな森林主導の死亡率予測:併発症パターンとリアルタイム生理測定を統合した二重データベースモデル

科学分野:

• クリティカル ケア 医療
• 胃腸内科
• データ科学と機械学習

背景:

• 炎症性腸疾患 (IBD) の患者が集中治療室 (ICU) に入院すると,合併症による死亡リスクが大きくなります.
• IBDの重症患者の死亡率を予測するための既存の予後ツールは限られています.
• 機械学習 (ML) は,複雑な臨床データを分析することで,リスクの階層化を改善する可能性があります.

研究 の 目的:

• 重症性IBD患者の死亡リスクの階層化のためのMLベースのモデルを開発し,検証する.
• この患者集団における死亡率の主要な予測要因を特定する.
• 臨床用で解釈可能なノモグラムを作成する.

主な方法:

• MIMIC- IVデータベースから551人のIBD患者を分析し,eICUデータセットを使用して外部検証を行った.
• 1年間の死亡率を予測する9つのMLアルゴリズムのトレーニングと評価
• 人口統計,併発症,検査結果,生命的兆候,重症度スコアを予測指標として利用し,特徴の重要性とノモグラム構築のためのロジスティック回帰をSHAPで用いる.

主要な成果:

• ランダムな森林モデルでは,内部検証で優れた差別性 (AUC > 0. 8) が示された.
• 特定された主要な予測要因には,悪性病歴,チャールソン併発性指数 (CCI),赤血球分布幅 (RDW),グラスゴー昏睡スケール (GCS),連続器官不全評価 (SOFA),年齢,心拍数,体重,性別が含まれています.
• 開発されたノモグラムは,eICUコホートにおける強力な外部検証性能 (AUC> 0. 8) を示した.

結論:

• 重症性IBD患者の死亡率を予測するための新しいMLベースのノモグラムが開発され,検証されました.
• ノモグラムは,マルチセンターICUデータから得られた解釈可能な予測要素を統合しています.
• このツールは,この脆弱な集団のリスクの階層化と臨床的意思決定に役立ちます.