ラブドミオリシス患者のアウトカムを予測するための解釈可能なマルチタスクモデルの開発と検証:多センターの遡及コホート研究

科学分野:

• 医療における機械学習
• 臨床情報学
• 予測分析

背景:

• ラブドミオリシス (RM) は,患者による様々な結果を持つ複雑な症候群です.
• 急性腎損傷 (AKI),疾患の重症度,腎置換治療 (RRT) の必要性,および死亡率の正確な予測は,適切な介入に不可欠です.
• 現在の予測方法には 解釈性や包括的な検証が欠けている.

研究 の 目的:

• RM患者の4つの主要な臨床結果を予測するための解釈可能なマルチタスクマシンラーニング (ML) モデルを開発し,外部で検証する.
• 正確でアクセス可能なリスクの階層化によって臨床的意思決定を強化する.
• パーソナライズされた治療計画のための高リスクの個人を特定します.

主な方法:

• eICU-CRD,MIMIC-IV,中国病院データを用いて,誘導と外部検証コホートによる遡及的研究.
• 1429人の患者 (派生) と362人の患者 (外部検証) の分析
• 入院後24時間以内に22の臨床特性を用いたマルチタスクMLモデルの開発,パフォーマンスのためにランダムフォレスト (RF) が選択され,解釈性のためにSHAPが選択されました.

主要な成果:

• AUCは,AKI,疾患の重症度,RRT,および死亡率について,0. 823から0. 914 (内部),0. 832から0. 906 (外部検証) であった.
• 各予測タスクでトップ5の特徴が特定され,モデルの解釈性が向上しました.
• 臨床実施のため,WebとAndroidベースの意思決定支援システムが開発されました.

結論:

• リブドミオリシス患者における重大な結果の予測のために,解釈可能なマルチタスクMLモデルが開発され,検証されました.
• モデルと関連する意思決定支援システムは,リアルタイムでリスクの階層化と個別化された患者の管理を容易にする.
• このアプローチは,医療資源の割り当てを最適化し,RMの患者のケアを改善する大きな可能性を秘めています.