尿路症患者の有意な予後不良事件: 機械学習ベースのモデル開発および検証研究

科学分野:

• 医療情報工学
• 医療における機械学習
• クリティカル ケア 医療

背景:

• セプシスのサブタイプである尿素症の発生率は上昇し,死亡率は高い.
• 正確な予後予測は,泌尿症患者の効果的な管理に不可欠です.

研究 の 目的:

• 尿症患者の予後を予測するための解釈可能な機械学習 (ML) モデルを開発し,検証する.
• 尿路症の結果に影響を与える主要な予後要因を特定する.

主な方法:

• MIMIC- IVデータベース (v3. 1) を利用し,1389人の泌尿症患者で,トレーニング/検証コホートに分けられた (7:3).
• 変数選択のためのMLアルゴリズム (RF,Lasso,Boruta,XGBoost) を使用し,9つの最適な予測要因を特定しました.
• 精度,AUC,感度,特異性,MCC,F1スコアを用いてモデルの性能を評価し,解釈性についてはSHAPを用いた.

主要な成果:

• XGBoostモデルは,0. 818の精度と0. 904のAUCで優れたパフォーマンスを示しました.
• 内部検証では,精度0. 797,AUC0. 869,感度0. 797,特異性0. 752,MCC0. 597,F1スコア0. 791の強力な結果を示した.
• SHAP分析は,XGBoostモデルに対する全体的な説明を提供し,重要な予後要因を強調した.

結論:

• MLモデル,特にXGBoostは,泌尿症の有意な予後能力を提供しています.
• 解釈可能なML (SHAP) は,臨床的理解とパーソナライズされた治療計画を促進します.
• 多様な集団での外部検証は一般化のために推奨されます.