大規模な火傷におけるセプシスと死亡率に関するウェブベースの解釈可能な予測モデルの開発と検証

科学分野:

• 医学研究
• 計算生物学
• トラウマ手術

背景:

• 広範な火傷 (全体表面積の≥50%) は,高いセプスと死亡率と関連しています.
• リスク要因を特定し,予測モデルを開発することは,これらの重症症例の管理に不可欠です.

研究 の 目的:

• 炎症と死亡の危険因子を特定する.
• セプシスと死亡率を予測するための正確で解釈可能な機械学習モデルを開発する.

主な方法:

• 237人の広範な灼傷患者による遡及コホート研究 (2012年−2023年).
• セプシスと死亡率を予測するために10の機械学習アルゴリズム (例えば,ランダムフォレスト,グラデントブーストツリー) を適用した.
• AUC,精度,リコール,精度,F1スコアを使用してモデルを評価し,SOFAスコアと比較し,解釈性のためにSHAPを使用した.

主要な成果:

• 主要なセプシス予測指標:SOFAスコア,新ショック,アルブミン,BUN,第3度の灼熱領域,TBSAの灼熱,白血球数,吸入による損傷.
• 主な死亡予測指標:ALT,SOFAスコア,燃焼の種類,新しいショック,第3度の燃焼領域,TBSAの燃焼,結血症.
• ランダムフォレストモデルは,高いセプシス予測を達成した (AUC=0.977); グラデントブーストツリーモデルは,死亡率の予測に優れていた (AUC=0.981).

結論:

• 機械学習モデル (RF,GBT) は,広範な灼熱患者のセプシスと死亡率を効果的に予測します.
• SHAP分析は,臨床解釈と早期介入のためのモデルの透明性を高める.
• 臨床的意思決定を支援し,患者の治療結果を改善するために Web ベースの計算機を開発しました.