心不全患者の社会的健康決定因子と身体の脆弱性を含む説明可能な死亡率予測モデル

科学分野:

• 心臓病と保健医療に関する研究
• 臨床予測における機械学習の応用

背景:

• 健康の社会的決定因子 (SDOH) と身体的弱さ (PF) が心不全 (HF) の死亡率予測にどのように影響するかについての理解は限られている.
• HF患者における入院,90日,および1年間の診断モデルを改善する必要がある.

研究 の 目的:

• HF患者におけるSDOHとPFの予後値を評価するための説明可能な機械学習 (ML) モデルを開発する.
• これらのモデルの予測性能を複数の時間点 (入院,90日,1年) で評価する.

主な方法:

• 最初のHFICU入院からの電子医療記録データに eXtreme Gradient Boosting (XGBoost) アルゴリズムを使用した.
• SDOH (言語,保険) とPF指標 (ブラデンスコア) を含め,臨床的変数も含む.
• SHAPLEY ADDITIVE EXPLANATIONS (SHAP) をモデル解釈性と特性の重要性の分析のために使用した.

主要な成果:

• 開発されたMLモデルは,AUROCスコアが0. 836 (入院),0. 790 (90日),0. 789 (1年) で,ベースラインモデルを上回る.
• 特定された主要な予測要因:年齢,転倒リスク,主言語,血中尿素窒素,併発性疾患,尿量,保険タイプ,肺音.
• 観察された死亡率は,入院後の14. 8%,90日後の7. 0%,1年後の13. 5%.

結論:

• SDOHとPFの指標を統合することで,ICUの入院と退院時に高リスクのHF患者の特定が促進されます.
• 説明可能なMLモデルは,HFの死亡率に影響を与える要因について貴重な洞察を提供します.
• 心不全患者の治療結果を改善するために 標的を絞った介入を促すことができます