栄養リスクスクリーニングによる栄養不良の検出を強化するためのディープラーニングの活用 2002年:全国的なコホートからの洞察

科学分野:

• 臨床栄養について
• 医療における人工知能
• 医療情報学

背景:

• 正確な栄養の評価は 患者の治療結果にとって極めて重要です
• 栄養リスクスクリーニング2002 (NRS-2002) のような既存のツールは,特定の栄養療法ニーズを予測する上で限界があります.
• 機械学習 (ML) は,臨床意思決定における予測能力を向上させる可能性を秘めています.

研究 の 目的:

• 栄養療法 (腸内,親腸内,併用) の必要性と種類を予測するための新しいMLベースのスクリーニングツールを開発し,検証する.
• NRS-2002を人口統計学的パラメータ (性別,BMI,がん状態,病院単位) と統合し,予測を改善する.
• モデル開発と検証のために,最適栄養ケア・フォー・オール (ONCA) の全国コホートデータを活用する.

主な方法:

• 19万1,028人の患者を対象とした多センター復元コホート研究.
• ランダムフォレスト,人工ニューラルネットワーク,ディープラーニングアルゴリズムを用いた2段階のML分類モデルの開発.
• 曲線下の面積 (AUC),精度,感度,特異性などの指標を用いたパフォーマンス評価.

主要な成果:

• ディープラーニング (DL) は,栄養療法の必要性と種類の両方を予測する上で優れたパフォーマンスを示しました.
• 栄養療法の必要性に関する主要な予測要因には重症と食事による摂取量の減少 (AUC=0. 933) が含まれていた.
• 治療の種類を予測する重要な要因は重症,栄養状態の低下,ICU入院 (AUC=0. 741) であった.人口統計データを追加すると,AUCは最大3. 27%改善した.

結論:

• NRS-2002と人口要因を統合したML強化モデルは,栄養療法需要とタイプの正確な分類を提供します.
• このツールは,個別化された栄養療法のための臨床的意思決定支援システムとして機能します.
• 広範な臨床実施前に,より大きな多国籍コホートでのさらなる外部検証が推奨されます.