コミュニティ発症の細菌血症患者の30日間の死亡リスクを評価するための解釈可能な機械学習アプローチ

科学分野:

• * 健康に関する研究
• * 医療情報学
• * 予測モデリング

背景:

• * 機械学習 (ML) モデルは,医療研究においてますます使用されているが,しばしば解釈能力 (いわゆる"ブラックボックス") が欠けている.
• * 解釈可能なMLモデルの開発は,健康上の結果を理解し,患者のケアを改善するために不可欠です.

研究 の 目的:

• * コミュニティ発症の細菌血症患者の30日間の死亡リスクを予測するための機械学習モデルを開発し,解釈する.
• * 細菌血症患者の死亡率に影響を与える主要な予測因子とその相互作用を特定する.

主な方法:

• * 細菌血症の患者715人を対象とした遡及コホート研究.
• * 予測値と死亡率の関係を視覚的に説明するためのモデルアグノスティックな方法の適用.
• * AUC,校正グラフ (ブライアスコア),精度,リコール,精度,F1スコアを用いた性能評価.

主要な成果:

• * 30日間の死亡率のトップ10の予測要因には,ピット細菌血症スコア,セプティックショック,チャールソン併発性指数,ICU滞在期間,年齢,特定の血液細胞数 (中性細胞,リンパ球) およびグルコース/ 血球濃度が含まれています.
• * セプティックショック,チャールソン併発性指数,ピット細菌血症スコアは,他の予測値と最も強い相互作用を示した.

結論:

• * 機械学習により,ピット細菌血症のスコア,セプティックショック,年齢,肺炎,併発症など,細菌血症における30日間の死亡率の重要なリスク要因が特定されました.
• * これらの要因は,患者死亡率に影響する複雑な相互作用を強調して,相乗効果を発揮する.