小児気管支肺炎と区域性肺炎の鑑別を目的とした機械学習駆動型フレームワークの開発と検証：多施設共同研究

科学分野:

• 小児呼吸器科
• 医療情報学
• ヘルスケアにおける機械学習

背景:

• 小児気管支肺炎と区域性肺炎の正確な鑑別は、効果的な治療と資源配分にとって重要です。
• 現在の診断方法は、精度と速度に限界があり、タイムリーな臨床サポートに影響を与える可能性があります。

研究 の 目的:

• 小児気管支肺炎と区域性肺炎の正確な鑑別を目的とした機械学習（ML）フレームワークを開発および検証すること。
• 小児呼吸器感染症における早期の臨床的意思決定を強化し、不要な医療介入を削減すること。

主な方法:

• 肺炎と診断された2304人の小児患者のコホートを分析し、データをトレーニング、テスト、および外部検証セットに分割しました。
• XGBoost、SVM-RFE、およびRandom Forestを使用した特徴選択により、主要な血液学的および生化学的パラメータが特定されました。
• ROC曲線、AUC、感度、特異度、およびSHAP値を使用して勾配ブースティングモデルを開発および評価しました。臨床的有用性のためにノモグラムを作成しました。

主要な成果:

• 勾配ブースティングモデルは高いパフォーマンスを達成しました：AUCは0.947（トレーニング）、0.968（テスト）、および0.989（外部検証）でした。
• 主要な予測因子は、大血小板数（P-LCT）およびリンパ球百分率（LYM%）であり、肺炎の種類間で有意差がありました（P < 0.01）。
• ノモグラムは、決定曲線分析（DCA）を通じて優れたキャリブレーション（C指数=0.962）と臨床的有用性を示しました。

結論:

• 勾配ブースティングモデルは、小児気管支肺炎と区域性肺炎の鑑別に正確かつ堅牢なツールを提供します。
• P-LCTおよびLYM%などのバイオマーカーを組み込むことは、病態生理の理解、抗菌薬使用の最適化、および入院決定の指針に役立ちます。
• このMLアプローチは、精密医療と急性期医療をサポートし、医療費を削減し、患者の転帰を改善する可能性があります。