壊疽性胆嚢炎予測のための説明可能な機械学習モデルの開発と検証：多施設共同後ろ向き研究

科学分野:

• 医療情報学
• 腫瘍外科
• ヘルスケアにおける機械学習

背景:

• 壊疽性胆嚢炎（GC）には、迅速な診断と外科的介入が必要です。
• GCの正確な術前リスク層別化は、患者管理にとって非常に重要です。
• 既存の診断方法には、早期GC検出において限界がある場合があります。

研究 の 目的:

• 術前の壊疽性胆嚢炎（GC）を予測するための解釈可能な機械学習（ML）モデルを開発し、外部検証すること。
• 堅牢なモデル開発と検証のために、多施設臨床データを利用すること。
• GC予測におけるMLモデルの意思決定の透明性を高めること。

主な方法:

• 胆嚢炎患者744人の後ろ向き分析で、トレーニングおよびテストコホートに分割され、300人の患者で外部検証が行われました。
• 20の術前変数からLASSO回帰およびBorutaアルゴリズムを使用して特徴選択を行いました。
• AUC、キャリブレーション、および決定曲線分析を使用して6つのMLモデルを構築および評価し、解釈可能性のためにSHAPを使用しました。

主要な成果:

• ランダムフォレスト（RF）モデルは、AUC 0.893（トレーニング）、0.875（テスト）、および0.818（外部検証）で優れたパフォーマンスを達成しました。
• 決定曲線分析により、優れたキャリブレーションと臨床的有用性が実証されました。
• SHAP分析によって特定された主要な予測因子には、胆嚢壁肥厚、C反応性タンパク質、胆嚢周囲液、白血球数、および嵌頓結石が含まれます。

結論:

• 解釈可能なMLモデルは、多施設コホート全体で術前のGCリスク層別化に対して良好な識別能力と一般化可能性を示しました。
• このモデルは、臨床、検査、および画像の特徴を統合し、術前意思決定を支援するための説明可能性を提供します。
• 日常的な臨床応用に向けて、さらなる前向き多施設評価が推奨されます。